Použití mediánové imputace

V této kapitole budeš pracovat s verzí datasetu Wisconsin Breast Cancer. Jde o klasický problém binární klasifikace: 50 % vzorků je benigních, 50 % maligních a úkolem je rozpoznat, které jsou které.

Tento dataset je zajímavý tím, že mnoho prediktorů obsahuje chybějící hodnoty a většina řádků má alespoň jednu chybějící hodnotu. To představuje modelovací výzvu, protože většina algoritmů strojového učení si s chybějícími hodnotami standardně neporadí. Tvým prvním instinktem by třeba bylo natrénovat na těchto datech logistický regresní model – jenže předtím potřebuješ strategii, jak naložit s hodnotami NA.

Naštěstí funkce train() z balíčku caret obsahuje argument preProcess, pomocí kterého můžeš zadat mediánovou imputaci pro doplnění chybějících hodnot. V předchozích kapitolách jsi vytvářel/a modely pomocí funkce train() se vzorci jako y ~ .. Alternativní způsob je zadat argumenty x a y přímo do train(), kde x je objekt s vzorky v řádcích a příznaky ve sloupcích a y je numerický nebo faktorový vektor obsahující výsledné hodnoty. Jinak řečeno: x je matice nebo datový rámec obsahující celý dataset, který bys použil/a jako argument data ve volání lm(), ale bez sloupce s výslednou proměnnou; y je vektor obsahující právě tento sloupec s výslednou proměnnou.

Pro toto cvičení je argument x funkce train() načten v tvém pracovním prostředí jako breast_cancer_x a y jako breast_cancer_y.