caret教程01：可视化

面向医学生/医生的实用机器学习教程系列推文

caret包全称Classification And REgression Traing，是专门用于分类和回归的综合性机器学习R包。目前涵盖238个模型！所有支持的模型可以在这里找到：https://topepo.github.io/caret/available-models.html

语法统一，简单易懂，主要包含以下功能：

• 可视化
• 数据划分
• 数据预处理
• 特征选择
• 模型调优
• 变量重要性估计

目前caret不会增加新功能了，因为包的作者max Kuhn已经加入rstudio，目前是tidymodels的开发者！但是这并不影响caret的简单好用！

虽然目前tidymodels和mlr3发展迅速，但是就功能而言，还是和caret有些差距！

今天主要介绍它的可视化功能，可以看做是正式建模前的探索性数据分析，不过你完全可以使用ggplot2及其扩展包完成这部分任务。

caret中的探索性数据可视化部分主要是featureplot()完成的，这个函数是lattice包中的画图函数的封装，简单易用，lattice包在ggplot2之前也是R中最常用的画图包，只不过ggplot2图形语法太强了，导致逐渐没落了。

所以这部分内容现在完全可以通过ggplot2实现，大家不必拘泥于此！

分类数据展示，以iris为例

str(iris)
## 'data.frame':	150 obs. of  5 variables:
##  $ Sepal.Length: num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
##  $ Sepal.Width : num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
##  $ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
##  $ Petal.Width : num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
##  $ Species     : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...

library(AppliedPredictiveModeling)
transparentTheme(trans = .4)
library(caret)
## Loading required package: ggplot2
## Loading required package: lattice

散点矩阵图：

# scatterplot matrix
featurePlot(x = iris[, 1:4], 
            y = iris$Species, 
            plot = "pairs",
            ## 分组变量所在的列
            auto.key = list(columns = 3))

增加置信椭圆：

# scatterplot matrix with ellipse
featurePlot(x = iris[, 1:4],
            y = iris$Species,
            plot = "ellipse",
            anto.key = list(columns = 3))

像这种散点矩阵图，现在我们有更多更棒的选择。

我以前也介绍过很多，下面为大家简单展示下，关于详细的使用细节，大家可以参考之前的推文：GGally系列。

library(GGally)
## Registered S3 method overwritten by 'GGally':
##   method from   
##   +.gg   ggplot2
library(ggplot2)

ggpairs(iris, columns = 1:4,
        mapping = aes(color=Species)
        )+
  scale_color_brewer(palette = "Set1")+
  scale_fill_brewer(palette = "Set1")+
  theme_bw()

密度曲线图：

# Overlayed Density Plots
transparentTheme(trans = 0.9)
featurePlot(x = iris[, 1:4], 
            y = iris$Species,
            plot = "density", 
            ## Pass in options to xyplot() to 
            ## make it prettier
            scales = list(x = list(relation="free"), 
                          y = list(relation="free")), 
            adjust = 1.5, 
            pch = "|", 
            layout = c(4, 1), 
            auto.key = list(columns = 3))

箱线图

# box plot
featurePlot(x = iris[, 1:4], 
            y = iris$Species, 
            plot = "box", 
            ## Pass in options to bwplot() 
            scales = list(y = list(relation="free"),
                          x = list(rot = 90)),  
            layout = c(4,1 ), 
            auto.key = list(columns = 2))

像这种密度图和箱线图可以直接用ggplot2画，分面或者拼图都行。

library(tidyr)
## 密度曲线
iris %>% pivot_longer(cols = 1:4,names_to = "feature",values_to = "value") %>% 
  ggplot(aes(x=value))+
  geom_density(aes(color=Species))+
  geom_rug(aes(color=Species), sides = "b")+
  facet_wrap(~feature, nrow = 1,scales = "free")+
  theme_bw()+
  theme(legend.position = "none")

## 箱线图

iris %>% pivot_longer(cols = 1:4,names_to = "feature",values_to = "value") %>% 
  ggplot()+
  geom_boxplot(aes(Species, value,color=Species))+
  facet_wrap(~feature, nrow = 1,scales = "free")+
  theme_bw()+
  theme(legend.position = "none",
        axis.text.x = element_text(angle = 45,hjust = 1)
        )

连续性结果变量展示，以Boston Housing为例

library(mlbench)
data(BostonHousing)
regVar <- c("age", "lstat", "tax")
str(BostonHousing[, regVar])
## 'data.frame':	506 obs. of  3 variables:
##  $ age  : num  65.2 78.9 61.1 45.8 54.2 58.7 66.6 96.1 100 85.9 ...
##  $ lstat: num  4.98 9.14 4.03 2.94 5.33 ...
##  $ tax  : num  296 242 242 222 222 222 311 311 311 311 ...

# scatter plot
theme1 <- trellis.par.get()
theme1$plot.symbol$col = rgb(.2, .2, .2, .4)
theme1$plot.symbol$pch = 16
theme1$plot.line$col = rgb(1, 0, 0, .7)
theme1$plot.line$lwd <- 2
trellis.par.set(theme1)

featurePlot(x = BostonHousing[, regVar], 
            y = BostonHousing$medv, 
            plot = "scatter",
            type = c("p", "smooth"),
            span = .5,
            layout = c(3, 1))

library(dplyr)
library(tidyr)

BostonHousing %>% 
  select(age, lstat, tax, medv) %>% 
  pivot_longer(cols = 1:3, names_to = "feature",values_to = "value") %>% 
  ggplot(aes(value, medv))+
  geom_point(aes(color=feature))+
  geom_smooth(aes(group=feature))+
  facet_wrap(~feature, nrow = 1, scales = "free")+
  theme_bw()+
  theme(legend.position = "none")
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'

这部分内容比较少，但是探索性数据分析的方法是很多的，并不是只有这几种图形，你可以发挥自己的想象力，探索更多的关系。

这里的探索性数据分析过程中的数据可视化只是开胃小菜，更多的结果可视化会在后面继续介绍。

面向医学生/医生的实用机器学习教程，往期系列推文：

1. mlr3：开篇

2. mlr3：基础使用

3. mlr3：模型评价

4. mlr3：模型比较

5. mlr3：超参数调优

6. mlr3：嵌套重抽样

7. mlr3：特征选择

8. mlr3:pipelines

9. mlr3：技术细节

10. mlr3：模型解释

11. mlr3实战：决策树和xgboost预测房价

12. 使用mlr3搞定二分类资料的多个模型评价和比较

13. mlr3的校准曲线也是一样画！

14. 使用mlr3搞定二分类资料的多个模型评价和比较

15. 使用tidymodels搞定二分类资料多个模型评价和比较

16. tidymodels不能画校准曲线？

17. tidymodels用于机器学习的一些使用细节

18. tidymodels支持校准曲线了