本文使用Kaggle上的一个公开数据集,从数据导入,清理整理一直介绍到最后数据多个算法建模,交叉验证以及多个预测模型的比较全过程,注重在实际数据建模过程中的实际问题和挑战,主要包括以下五个方面的挑战:
-
缺失值的挑战
-
异常值的挑战
-
不均衡分布的挑战
-
(多重)共线性的挑战
-
预测因子的量纲差异
以上的几个主要挑战,对于熟悉机器学习的人来说,应该都是比较清楚的,这个案例中会涉及到五个挑战中的缺失值,量纲和共线性问题的挑战。
本案例中的数据可以在下面的网址中下载:
https://www.kaggle.com/primaryobjects/voicegender/downloads/voicegender.zip
下载到本地后解压缩会生成voice.csv文件
下面首先大概了解一下我们要用来建模的数据
数据共包含21个变量,最后一个变量label是需要我们进行预测的变量,即性别是男或者女
前面20个变量都是我们的预测因子,每一个都是用来描述声音的量化属性。
下面我们开始我们的具体过程
步骤1主要包含以下三项工作:
-
设定工作目录
-
载入需要使用的包
-
准备好并行计算
步骤2:数据的导入和理解
数据下载解压缩后就是一份名为‘voice.csv’的文件,我们将csv文件存到我们设定的工作目录之中,就可以导入数据了。
### read in original dataset
voice_Original <- read_csv( "voice.csv",col_names=TRUE)describe(voice_Original)Hmisc包中的describe函数是我个人最喜欢的对数据集进行概述,整体上了解数据集的最好的一个函数,运行结果如下:
通过这个函数,我们现在可以对数据集中的每一个变量都有一个整体性把握。
我们可以看出我们共有21个变量,共计3168个观测值。
由于本数据集数据完整,没有缺失值,因而我们实际上并没有缺失值的挑战,但是为了跟实际的数据挖掘过程相匹配,我们会人为将一些数据设置为缺失值,并对这些缺失值进行插补,大家也可以实际看一下我们应用的插补法的效果:
可以看出,我们的插补出来的值和原始值之间的差异是比较小的,可以帮助我们进行下一步的建模工作。
另外一点,我们在实际工作中,我们用到的预测因子中,往往包含数值型和类别型的数据,但是我们数据中全部都是数值型的,所以我们要增加难度,将其中的一个因子转换为类别型数据,具体操作如下:
图形结果如下:
但是我们更关注的是,预测因子之间是不是存在高度的相关性,因为预测因子间的香瓜性对于一些模型,是有不利的影响的。
对于研究预测因子间的相关性,corrplot包中的corrplot函数提供了很直观的图形方法:
###find correlations between factorsfactor_Corr <- cor(voice_Original[,-c( 9,21)])corrplot(factor_Corr, method="number")
步骤3:数据分配与建模
在实际建模过程中,我们不会将所有的数据全部用来进行训练模型,因为相比较模型数据集在训练中的表现,我们更关注模型在训练集,也就是我们的模型没有遇到的数据中的预测表现。
因此,我们将我们的数据集的70%的数据用来训练模型,剩余的30%用来检验模型预测的结果。
### separate dataset into training and testing sets
sample_Index <- createDataPartition(voice_Original $label,p= 0.7, list= FALSE)voice_Train <- voice_Original[sample_Index,]voice_Test <- voice_Original[-sample_Index,]
但是我们还没有解决之前我们发现的一些问题,数据的量纲实际上是不一样的,另外某些因子间存在高度的相关性,这对我们的建模是不利的,因此我们需要进行一些预处理,我们又需要用到preProcess函数:
### preprocess factors forfurther modelingpp <- preProcess(voice_Train,method=c("scale","center","pca"))
voice_Train<- predict(pp,voice_Train)
voice_Test<- predict(pp,voice_Test)
我们首先将数值型因子进行了标准化,确保所有的因子在一个量纲上,接着对已经标准化的数据进行主成分分析,消除因子中的高相关性。如果我们看一下我们的现在经过处理的数据,就可以看到:
原来的所有数值型因子已经被PC1-PC10取代了。
现在,我们进行一些通用的设置,为不同的模型进行交叉验证比较做好准备。
可以看到随机森林的结果介于上面两个模型之间。但是模型的结果是存在一定的偶然性的,即因为都使用了交叉验证,每个模型都存在抽样的问题,因此结果之间存在一定的偶然性,所以我们需要对模型进行统计意义上的比较。
但是在此之前,我想提一下并行计算的问题,我们在开始建模之前就使用parallel和doParallel两个包设置了并行计算的参数,在modelControl中将allowParallel的值设为了TRUE,就可以帮助我们进行交叉验证时进行并行计算,下面这张图可以帮助我们看到差异:
因为原生的R只支持单进程,通过我们的设置,可以将四个核都使用起来,可以大为减少我们的计算时间。
我们最后的一个步骤就是要将三个模型进行比较,确定我们最优的一个模型:
结果从准确率和Kappa值两个方面对数据进行了比较,可以帮助我们了解模型的实际表现,当然我们也可以通过图形展现预测结果:
根据结果,我们可以看到,其实逻辑回归的结果还是比较好的。
所以我们可以将逻辑回归的结果作为我们最终使用的模型。