应用预测建模第三章数据预处理习题3.3【退化分布、降低变量强相关性】

最新推荐文章于 2022-11-05 11:57:48 发布

totobey

最新推荐文章于 2022-11-05 11:57:48 发布

阅读量1.1k

点赞数 2

分类专栏：应用预测建模习题个人练习文章标签： R语言机器学习

本文链接：https://blog.csdn.net/totobey/article/details/103220747

版权

应用预测建模习题个人练习专栏收录该内容

11 篇文章 10 订阅

订阅专栏

《应用预测建模》Applied Predictive Modeling (2013) by Max Kuhn and Kjell Johnson，林荟等译

第三章数据预处理

3. 3 本书第5 章会介绍定量构效关系（ QSAR ）模型。该模型用化合物的特征去预测其他的化学性质。caret 包中有一个来自Mente 和Lombardo (2005 ）的数据集。数据包含对208 种化合物渗透血脑屏障能力的实验检测。每种化合物对应134 个描述变量。
( a ）打开R 用如下命令载入数据：

数值型结果变量包含在向量logBBB 中，预测变量包含在数据框bbbDescr 中。
( b）是否有某些预测变量服从退化的分布？
( c）总体来看，预测变量间是否有强相关性？如果有，如何降低这种相关性？这对用于建模的预测变量数目是否会有很大影响？

( a ）打开R 用如下命令载入数据：

数值型结果变量包含在向量logBBB 中，预测变量包含在数据框bbbDescr 中。

library(caret)
data(BloodBrain)
str(bbbDescr)
head(bbbDescr)
str(logBBB)
head(logBBB)

> str(bbbDescr)
'data.frame':	208 obs. of  134 variables:
 $ tpsa                : num  12 49.3 50.5 37.4 37.4 ...
 $ nbasic              : int  1 0 1 0 1 1 1 1 1 1 ...
 $ negative            : int  0 0 0 0 0 0 0 0 0 0 ...
 $ vsa_hyd             : num  167.1 92.6 295.2 319.1 299.7 ...
 $ a_aro               : int  0 6 15 15 12 11 6 12 12 6 ...
 $ weight              : num  156 151 366 383 326 ...
 $ peoe_vsa.0          : num  76.9 38.2 58.1 62.2 74.8 ...
 $ peoe_vsa.1          : num  43.4 25.5 124.7 124.7 118 ...
 $ peoe_vsa.2          : num  0 0 21.7 13.2 33 ...
 $ peoe_vsa.3          : num  0 8.62 8.62 21.79 0 ...
 $ peoe_vsa.4          : num  0 23.3 17.4 0 0 ...
 $ peoe_vsa.5          : num  0 0 0 0 0 0 0 0 0 0 ...
 $ peoe_vsa.6          : num  17.24 0 8.62 8.62 8.62 ...
 $ peoe_vsa.0.1        : num  18.7 49 83.8 83.8 83.8 ...
  [list output truncated]
> head(bbbDescr)
   tpsa nbasic negative   vsa_hyd a_aro  weight peoe_vsa.0 peoe_vsa.1 peoe_vsa.2
1 12.03      1        0 167.06700     0 156.293   76.94749   43.44619    0.00000
2 49.33      0        0  92.64243     6 151.165   38.24339   25.52006    0.00000
3 50.53      1        0 295.16700    15 366.485   58.05473  124.74020   21.65084
4 37.39      0        0 319.11220    15 382.552   62.23933  124.74020   13.19232
5 37.39      1        0 299.65800    12 326.464   74.80064  118.04060   33.00190
6 37.39      1        0 289.77770    11 332.492   74.80064  109.50990   13.19232
  peoe_vsa.3 peoe_vsa.4 peoe_vsa.5 peoe_vsa.6 peoe_vsa.0.1 peoe_vsa.1.1 peoe_vsa.2.1
1   0.000000    0.00000          0  17.238030     18.74768     43.50657            0
2   8.619013   23.27370          0   0.000000     49.01962      0.00000            0
3   8.619013   17.44054          0   8.619013     83.82487     49.01962            0
4  21.785640    0.00000          0   8.619013     83.82487     68.78024            0
5   0.000000    0.00000          0   8.619013     83.82487     36.76471            0
6  21.785640    0.00000          0   8.619013     73.54603     44.27042            0
  peoe_vsa.3.1 peoe_vsa.4.1 peoe_vsa.5.1 peoe_vsa.6.1 a_acc a_acid a_base   vsa_acc
1            0     0.000000     0.000000     0.000000     0      0      1  0.000000
2            0     0.000000    13.566920     7.904431     2      0      0 13.566920
3            0     5.682576     2.503756     2.640647     2      0      1  8.186332
4            0     5.682576     0.000000     2.640647     2      0      1  8.186332
5            0     5.682576     0.136891     2.503756     2      0      1  8.186332
6            0     5.682576     0.000000     2.640647     2      0      1  8.186332

> str(logBBB)
 num [1:208] 1.08 -0.4 0.22 0.14 0.69 0.44 -0.43 1.38 0.75 0.88 ...
> head(logBBB)
[1]  1.08 -0.40  0.22  0.14  0.69  0.44

( b）是否有某些预测变量服从退化的分布？

library(caret)
#nearZeroVar可诊断具有唯一值的预测变量（即零方差预测变量）或同时具有以下两个特征的预测变量：
#相对于样本数量，它们具有很少的唯一值；最常见值的频率与次最常见值的频率之比很大。
#nearZeroVar(x,freqCut = 95/5,uniqueCut = 10,saveMetrics = FALSE,names = FALSE,foreach = FALSE,allowParallel = TRUE)
#freqCut 最常见值与第二常见值之比的临界值，默认95/5
#uniqueCut 样本总数中不同值的百分比的临界值，默认10
near.zero.ind<-nearZeroVar(bbbDescr)
names(bbbDescr[near.zero.ind])

可见，有7个变量服从退化的分布。建议从数据集中移除这些变量，这些变量会削弱一些模型，删除这些变量能显著提高模型的表现与稳定性（p31)

> names(bbbDescr[near.zero.ind])# "leaf.mild" "mycelium"  "sclerotia"
[1] "negative"     "peoe_vsa.2.1" "peoe_vsa.3.1" "a_acid"       "vsa_acid"    
[6] "frac.anion7." "alert"

( c）总体来看，预测变量间是否有强相关性？如果有，如何降低这种相关性？这对用于建模的预测变量数目是否会有很大影响？

分析数据，发现所有预测变量均为数值型，因此可以直接使用皮尔森相关性检验。

correlations<-cor(bbbDescr)#求相关系数 默认皮尔森
#求出相关系数大于0.75的预测变量
CalStrongCor<-function(x){
  cor_result<-as.data.frame(x)
  cor<-data.frame(col1=1,name1=2,col2=3,name2=4,cor=5)
  for(i in 1:(ncol(cor_result)-1)){
    for(j in (i+1):ncol(cor_result)){
      if(abs(cor_result[i,j]>0.75)){       
        ci<-c(i,names(cor_result)[i],j,names(cor_result)[j],cor_result[i,j]) ;
        cor<-rbind(cor,ci) ;
      }       
    }
  }
  return  (cor)   
}

cor<-CalStrongCor(correlations)
head(cor[-1,])
nrow(cor[-1,])

计算发现，有254对变量的相关系数大于0.75

> head(cor[-1,])
  col1 name1 col2      name2               cor
2    1  tpsa   21      a_acc 0.752469496802017
3    1  tpsa   48     tpsa.1 0.985797985082117
4    1  tpsa   57    nocount  0.92194304649877
5    1  tpsa   65     adistm 0.774514701022847
6    1  tpsa   67 polar_area 0.897182380302012
7    1  tpsa  103      dpsa3 0.860838530974004
> nrow(cor[-1,])
[1] 254

基于相关系数过滤变量

#基于相关系数过滤变量 p33
highCorr<-findCorrelation(correlations,cutoff=0.75) #返回建议删除变量的列数
highCorr
filteredBbbDescr<-bbbDescr[,-highCorr]

用该方法删除了66个变量

length(highCorr)
names(bbbDescr[highCorr])

> names(bbbDescr[highCorr])
 [1] "vsa_don"             "slogp_vsa2"          "slogp_vsa7"         
 [4] "smr_vsa0"            "smr_vsa5"            "mw"                 
 [7] "nocount"             "hbdnr"               "ub"                 
[10] "nonpolar_area"       "tcnp"                "ovality"            
[13] "surface_area"        "volume"              "ppsa1"              
[16] "ppsa2"               "ppsa3"               "pnsa2"              
[19] "pnsa3"               "fpsa2"               "fnsa2"              
[22] "fnsa3"               "wpsa1"               "wpsa2"              
[25] "wpsa3"               "wnsa1"               "wnsa2"              
[28] "wnsa3"               "dpsa1"               "dpsa2"              
[31] "dpsa3"               "sadh1"               "sadh3"              
[34] "chdh1"               "chdh3"               "scdh1"              
[37] "scdh2"               "scdh3"               "saaa1"              
[40] "saaa3"               "scaa1"               "scaa2"              
[43] "scaa3"               "ctdh"                "ctaa"               
[46] "mchg"                "vsa_hyd"             "tpsa"               
[49] "a_acid"              "a_base"              "vsa_acc"            
[52] "slogp_vsa3"          "weight"              "logp.o.w."          
[55] "tpsa.1"              "a_acc"               "adistm"             
[58] "polar_area"          "psa_npsa"            "homo"               
[61] "sum_absolute_charge" "fpsa1"               "fpsa3"              
[64] "sadh2"               "chaa1"               "chdh2"

totobey

关注

2
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
应用预测建模第三章数据预处理习题3.3【退化分布、降低变量强相关性】

《应用预测建模》Applied Predictive Modeling (2013) by Max Kuhn and Kjell Johnson，林荟等译第三章数据预处理3. 3 本书第5 章会介绍定量构效关系（ QSAR ）模型。该模型用化合物的特征去预测其他的化学性质。caret 包中有一个来自Mente 和Lombardo (2005 ）的数据集。数据包含对208 种化合物渗透血脑...
复制链接

扫一扫