r语言 tunerf函数_R语言之-caret包应用

R语言之-caret包应用

caret包应用之一：数据预处理

在进行时，我们会用到R中的很多扩展包，各自有不同的函数和功能。如果能将它们综合起来应用就会很方便。caret包(Classification

and Regression

Training)就是为了解决分类和回归问题的数据训练而创建的一个综合工具包。下面的例子围绕数据挖掘的几个核心步骤来说明其应用。

本例涉及到的数据是一个医学实验数据，载入数据之后可以发现其样本数为528，自变量数为342，mdrrDescr为自变量数据框，mdrrClass为因变量。

library(caret)

data(mdrr)

本例的样本数据所涉及到的变量非常多，需要对变量进行初步降维。其中一种需要删除的变量是常数自变量，或者是方差极小的自变量，对应的命令是nearZeroVar，可以看到新数据集的自变量减少到了297个。

zerovar=nearZeroVar(mdrrDescr)

newdata1=mdrrDescr[,-zerovar]

另一类需要删除的是与其它自变量有很强相关性的变量，对应的命令是findcorrelation。自变量中还有可能存在多重共线性问题，可以用findLinearCombos命令将它们找出来。这样处理后自变量减少为94个。

descrCorr = cor(newdata1)

highCorr = findCorrelation(descrCorr, 0.90)

newdata2 = newdata1[, -highCorr]

comboInfo = findLinearCombos(newdata2)

newdata2=newdata2[, -comboInfo$remove]

我们还需要将数据进行标准化并补足缺失值，这时可以用preProcess命令，缺省参数是标准化数据，其高级功能还包括用K近邻和装袋决策树两种方法来预测缺失值。此外它还可以进行cox幂变换和主成分提取。

Process = preProcess(newdata2)

newdata3 = predict(Process, newdata2)

最后是用createDataPartition将数据进行划分，分成75%的训练样本和25%检验样本，类似的命令还包括了createResample用来进行简单的自助法抽样，还有createFolds来生成多重交叉检验样本。

inTrain = createDataPartition(mdrrClass, p = 3/4, list = FALSE)

trainx = newdata3[inTrain,]

testx = newdata3[-inTrain,]

trainy = mdrrClass[inTrain]

testy = mdrrClass[-inTrain]

在建模前还可以对样本数据进行图形观察，例如对前两个变量绘制箱线图

featurePlot(trainx[,1:2],trainy,plot=’box’)

caret包应用之二：特征选择

在进行数据挖掘时，我们并不需要将所有的自变量用来建模，而是从中选择若干最重要的变量，这称为特征选择(feature

selection)。一种算法就是后向选择，即先将所有的变量都包括在模型中，然后计算其效能(如误差、预测精度)和变量重要排序，然后保留最重要的若干变量，再次计算效能，这样反复迭代，找出合适的自变量数目。这种算法的一个缺点在于可能会存在过度拟合，所以需要在此算法外再套上一个样本划分的循环。在caret包中的rfe命令可以完成这项任务。

首先定义几个整数，程序必须测试这些数目的自变量.

subsets = c(20,30,40,50,60,70,80)

然后定义控制参数，functions是确定用什么样的模型进行自变量排序，本例选择的模型是随机森林即rfFuncs，可以选择的还有lmFuncs(线性回归)，nbFuncs(朴素贝叶斯)，treebagFuncs(装袋决策树)，caretFuncs(自定义的训练模型)。

method是确定用什么样的抽样方法，本例使用cv即交叉检验, 还有提升boot以及留一交叉检验LOOCV

ctrl= rfeControl(functions = rfFuncs, method = “cv”,verbose = FALSE, returnResamp = “final”)

最后使用rfe命令进行特征选择，计算量很大，这得花点时间

Profile = rfe(newdata3, mdrrClass, sizes = subsets, rfeControl = ctrl)

观察结果选择50个自变量时，其预测精度最高

print(Profile)

Variables Accuracy Kappa AccuracySD KappaSD Selected

20   0.8200 0.6285    0.04072 0.08550

30   0.8200 0.6294    0.04868 0.10102

40   0.8295 0.6487    0.03608 0.07359

50   0.8313 0.6526    0.04257 0.08744        *

60   0.8277 0.6447    0.03477 0.07199

70   0.8276 0.6449    0.04074 0.08353

80   0.8275 0.6449    0.03991 0.08173

94   0.8313 0.6529    0.03899 0.08006

用图形也可以观察到同样结果

plot(Profile)

特征选择

下面的命令则可以返回最终保留的自变量

Profile$optVariables

caret包应用之三：建模与参数优化

在进行建模时，需对模型的参数进行优化，在caret包中其主要函数命令是train。

首先得到经过特征选择后的样本数据，并划分为训练样本和检验样本

newdata4=newdata3[,Profile$optVariables]

inTrain = createDataPartition(mdrrClass, p = 3/4, list = FALSE)

trainx = newdata4[inTrain,]

testx = newdata4[-inTrain,]

trainy = mdrrClass[inTrain]

testy = mdrrClass[-inTrain]

然后定义模型训练参数，method确定多次交叉检验的抽样方法，number确定了划分的重数， repeats确定了反复次数。

fitControl = trainControl(method = “repeatedcv”, number = 10, repeats = 3,returnResamp = “all”)

确定参数选择范围，本例建模准备使用gbm算法，相应的参数有如下四项

gbmGrid = expand.grid(.interaction.depth = c(1, 3),.n.trees = c(50,

100, 150, 200, 250, 300),.shrinkage = 0.1,.n.minobsinnode = 10)

利用train函数进行训练，使用的建模方法为提升决策树方法，

gbmFit1 = train(trainx,trainy,method = “gbm”,trControl = fitControl,tuneGrid = gbmGrid,verbose = FALSE)

从结果可以观察到interaction.depth取1，n.trees取150时精度最高

interaction.depth  n.trees  Accuracy  Kappa  Accuracy SD  Kappa SD

1                  50       0.822     0.635  0.0577       0.118

1                  100      0.824     0.639  0.0574       0.118

1                  150      0.826     0.643  0.0635       0.131

1                  200      0.824     0.64   0.0605       0.123

1                  250      0.816     0.623  0.0608       0.124

1                  300      0.824     0.64   0.0584       0.119

3                  50       0.816     0.621  0.0569       0.117

3                  100      0.82      0.631  0.0578       0.117

3                  150      0.815     0.621  0.0582       0.117

3                  200      0.82      0.63   0.0618       0.125

3                  250      0.813     0.617  0.0632       0.127

3                  300      0.812     0.615  0.0622       0.126

同样的图形观察

plot(gbmFit1)

caret包应用之四：模型预测与检验

模型建立好后，我们可以利用predict函数进行预测，例如预测检测样本的前五个

predict(gbmFit1, newdata = testx)[1:5]

为了比较不同的模型，还可用装袋决策树建立第二个模型，命名为gbmFit2

gbmFit2= train(trainx, trainy,method = “treebag”,trControl = fitControl)

models = list(gbmFit1, gbmFit2)

另一种得到预测结果的方法是使用extractPrediction函数，得到的部分结果如下显示

predValues = extractPrediction(models,testX = testx, testY = testy)

head(predValues)

obs     pred model dataType  object

1 Active   Active   gbm Training Object1

2 Active   Active   gbm Training Object1

3 Active Inactive   gbm Training Object1

4 Active   Active   gbm Training Object1

5 Active   Active   gbm Training Object1

从中可提取检验样本的预测结果

testValues = subset(predValues, dataType == “Test”)

如果要得到预测概率，则使用extractProb函数

probValues = extractProb(models,testX = testx, testY = testy)

testProbs = subset(probValues, dataType == “Test”)

对于分类问题的效能检验，最重要的是观察预测结果的混淆矩阵

Pred1 = subset(testValues, model == “gbm”)

Pred2 = subset(testValues, model == “treebag”)

confusionMatrix(Pred1$pred, Pred1$obs)

confusionMatrix(Pred2$pred, Pred2$obs)

结果如下，可见第一个模型在准确率要比第二个模型略好一些

Reference

Prediction Active Inactive

Active       65       12

Inactive      9       45

Accuracy : 0.8397

Reference

Prediction Active Inactive

Active       63       12

Inactive     11       45

Accuracy : 0.8244

最后是利用ROCR包来绘制ROC图

prob1 = subset(testProbs, model == “gbm”)

prob2 = subset(testProbs, model == “treebag”)

library(ROCR)

prob1$lable=ifelse(prob1$obs==’Active’,yes=1,0)

pred1 = prediction(prob1$Active,prob1$lable)

perf1 = performance(pred1, measure=”tpr”, x.measure=”fpr” )

plot( perf1 )

完 谢谢观看