vtreat an einem kleinen Beispiel

In dieser Übung verwendest du vtreat, um eine kategoriale Variable in einem kleinen Beispiel per One-Hot-Encoding zu kodieren. vtreat erstellt einen Treatment-Plan, um kategoriale Variablen in Indikatorvariablen umzuwandeln (mit "lev" gekennzeichnet) und numerische Variablen zu bereinigen (mit "clean" gekennzeichnet), also fehlerhafte Werte zu entfernen.

Zum Entwerfen eines Treatment-Plans verwendest du die Funktion designTreatmentsZ() (Docs)

treatplan <- designTreatmentsZ(data, varlist)

data: der originale Trainings-Data-Frame
varlist: ein Vektor der zu behandelnden Eingabevariablen (als Strings).

designTreatmentsZ() gibt eine Liste mit einem Element scoreFrame zurück: ein Data Frame, der die Namen und Typen der neuen Variablen enthält:

scoreFrame <- treatplan %>% 
            magrittr::use_series(scoreFrame) %>% 
            select(varName, origName, code)

varName: der Name der neuen behandelten Variable
origName: der Name der ursprünglichen Variable, aus der die behandelte Variable stammt
code: der Typ der neuen Variable.
- "clean": eine numerische Variable ohne NAs oder NaNs
- "lev": eine Indikatorvariable für ein spezifisches Ausprägungsniveau der ursprünglichen kategorialen Variable.

(magrittr::use_series() (Docs) ist ein Alias für $, den du in Pipes verwenden kannst.)

Für diese Übungen wollen wir varName, bei denen code entweder "clean" oder "lev" ist:

newvarlist <- scoreFrame %>% 
             filter(code %in% c("clean", "lev") %>%
             magrittr::use_series(varName)

Um den Datensatz in vollständig numerische und one-hot-kodierte Variablen zu transformieren, verwende prepare() (Docs):

data.treat <- prepare(treatplan, data, varRestrictions = newvarlist)

treatplan: der Treatment-Plan
data: der zu behandelnde Data Frame
varRestrictions: die gewünschten Variablen in den behandelten Daten

Der Data Frame dframe und das Paket magrittr wurden bereits geladen.

Diese Übung ist Teil des Kurses

<Kurs>Überwachtes Lernen in R: Regression</Kurs>

Kurs ansehen

Übungsanweisungen

Gib dframe aus. Wir gehen davon aus, dass color und size Eingabevariablen sind und popularity das vorherzusagende Ergebnis ist.
Erstelle einen Vektor namens vars mit den Namen der Eingabevariablen (als Strings).
Lade das Paket vtreat.
Verwende designTreatmentsZ(), um einen Treatment-Plan für die Variablen in vars zu erstellen. Weise ihn der Variable treatplan zu.
Hole dir den scoreFrame aus dem Treatment-Plan und untersuche ihn, um die Abbildung von alten auf neue Variablen zu sehen.
- Du brauchst nur die Spalten varName, origName und code.
- Wie heißen die neuen Indikatorvariablen? Wie die kontinuierliche Variable?
Erstelle einen Vektor newvars, der die Variable varName enthält, bei der code entweder clean oder lev ist. Gib ihn aus.
Verwende prepare(), um einen neuen Data Frame dframe.treat zu erstellen, der eine One-Hot-kodierte Version von dframe ist (ohne die Ergebnis-Spalte).
- Gib ihn aus und vergleiche mit dframe.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Print dframe
dframe

# Create and print a vector of variable names
(vars <- ___)

# Load the package vtreat
___

# Create the treatment plan
treatplan <- ___(___, ___)

# Examine the scoreFrame
(scoreFrame <- treatplan %>%
    use_series(scoreFrame) %>%
    select(___, ___, ___))

# We only want the rows with codes "clean" or "lev"
(newvars <- scoreFrame %>%
    filter(code %in% ___) %>%
    use_series(varName))

# Create the treated training data
(dframe.treat <- ___(___, ___, varRestriction = newvars))

Code bearbeiten und ausführen