R语言机器学习之caret包详解（一）

R语言机器学习caret包trainControl函数详解
R语言机器学习caret包详解（二）模型训练以及调参

简介

R语言caret机器学习包是对于想要精通机器学习的人来说是必不可少的，旨在通过详细介绍caret包认识理解到机器学习的流程，加深对于算法的理解。
caret包包括了数据预处理、数据分割、特征选择、模型训练调参、强大的可视化等等方面。

数据预处理

各种数据变换

• 数据变换
偏度统计量：
  偏度的计算公式
  $skew=\frac{{\sum }_{i=1}^n(x_i-\bar{x}{)}^3}{(n-1)v^{\frac{3}{2}}}$
  $v=\frac{{\sum }_{i=1}^n(x_i-\bar{x}{)}^2}{n-1}$

e1071::skewness

apply(df,2,e1071::skewness) #使用e1071包中的skewness计算偏度
ManufacturingProcess01 ManufacturingProcess16 ManufacturingProcess18 
          -3.930281936          -12.420224762          -12.736137779 

由于进行数据变换的原因是去除分布的偏度，一个相对的无偏分布大致是对称的分布，意味着随机变量的取值等概率地落入均值左右地两侧。右偏分布是相对于分布的右侧，大量的样本落入分布地左侧。
BoxCox变换：
公式为：
$$f(x)=\{\begin{array}{ll}{x}^{\lambda }-1/\lambda ,& \text{if λ=0 }\\ log(x),& \text{if λ=0 }\end{array}$$

除了对数变换，BoxCox变换族还包括了平方变换（$\lambda =2$）、平方根变换（$\lambda =0.5$）、倒数变换（$\lambda =-1$）以及其他在此期间的变换。我们使用极大似然估计去估计训练数据集中的$\lambda$.

• BoxCox的优缺点

使用BoxCox变换一般可以将数据进行合适的正态变换，变换后的残差更好的满足正态性、独立性的假设。其通常与线性回归模型一起使用，可以减小模型回归系数估计的方差，使得回归系数的解更稳定。
但是对于某些分类预测变量，比如二分变量或者水平较少的变量BoxCox不能成功的估计，这种情况可以采用Yeo-Johnson变换。

Yeo-Johnson变换
公式为：
$$f(x)=\{\begin{array}{ll}{x}^{\lambda }-1/\lambda ,& \text{if λ=0,x≥0 }\\ log(x+1),& \text{if λ=0,x≥0 }\\ \frac{-[(-x+1{)}^{-2\lambda }-1]}{2-\lambda },& \text{if λ=2,x≤0 }\\ -log(-x+1)& \text{if λ=2,x≤0 },\end{array}$$
此外还有标准化、中心化、min-max标准化等等就不一一介绍了。

近零方差变量

str(nearZeroVar)
function (x, freqCut = 95/5, uniqueCut = 10, saveMetrics = FALSE, names = FALSE,
foreach = FALSE, allowParallel = TRUE)
## 参数意义：
freqCut:频数最大与频数第二的比值
uniqueCut:去重样本数比总的样本数量，删选近零方差变量必须高于设定的freqCut且低于uniqueCut
saveMetrics:逻辑变量，是否返回变量的详细信息，比如：freqRatio, percentUnique, zeroVar,nzv

创建虚拟变量

通常情况下虚拟变量的创建与分类变量有关。R语言通过dummyVars函数创建。

fit <- dummyVars(~Sepal.Length + Species,data = iris,levelsOnly = T)
> fit
Dummy Variable Object

Formula: ~Sepal.Length + Species
2 variables, 1 factors
Factor variable names will be removed
A less than full rank encoding is used

predict(fit,head(iris))
  Sepal.Length setosa versicolor virginica
1          5.1      1          0         0
2          4.9      1          0         0
3          4.7      1          0         0
4          4.6      1          0         0
5          5.0      1          0         0
6          5.4      1          0         0

重抽样技术

各类重抽样技术用于模型表现评估：先用一个子样本去拟合模型，再用其余的样本进行评估，针对不同的重抽样方法这个过程会重复多次，然后对每个过程的结果汇总。下面将介绍几种常用的重抽样方法。

k折交叉验证

k折交叉验证样本被随机划分为k个容量相当的子集.第一步用除了第一个子集之外的所有样本拟合模型，然后用训练的模型对第一个子集进行预测，并使用其结果来评估模型；接下来第一个子集被归还至训练集，将第二个子集拿出来进行模型评估，以此类推，最后将得到的k个模型评估结果进行汇总，然后基于此得到调优参数与模型表现之间的关系。

留一交叉验证

留一交叉验证是k折交叉验证的一个特例，如果样本量为N，每次对于模型的评估只有一个样本点，最终模型的评估结果将根据N个模型的预测值进行计算。

Bootstrap

Bootstrap抽样是对数据进行有放回随机抽样得到的样本，也就是说某些样本点可能会在将来的抽样中多次被选中。Bootstrap样本与原数据的样本量一样。没有被Bootstrap选中的样本被称为袋外样本，在一次的Bootstrap抽样中选中的样本将被用来建立模型，袋外样本被用于预测。

MCMC

MCMC是重复划分训练集与测试集，训练集用于建立模型，测试集用于模型评估。比如对于样本量为N的一组数据，进行B次的重复划分训练集与测试集，训练集所占样本量的75%。在重复的划分中，增加重复的次数可以减小模型评估的不确定性，通常情形下重复25次就足以得到大致的模型表现。

GCV

GCV不需要反复基于不同数据子集拟合模型，GCV利用每一个样本点的预测结果计算了一个统计量：
$$GCV=\frac{1}{n}\sum _{i=1}^n(\frac{y_i-{\hat{y}}_i}{1-\frac{df}{n}}{)}^2$$
其中$y_i$是训练集中第$i$个样本点的响应变量的观测值，${\hat{y}}_i$是第$i$个样本点的响应变量的预测值，$df$是模型的自由度。

总结：以上就是本篇博客的全部内容，欢迎感兴趣的小伙伴支持，您的支持与批评将是创作的动力！