Dans ce chapitre, vous utiliserez une version de l'ensemble de données Wisconsin Breast Cancer. Cet ensemble pose un classique problème de classification binaire : 50 % des échantillons sont bénins, 50 % sont malins, et l'objectif est de déterminer lesquels sont lesquels.

Cet ensemble est intéressant, car plusieurs prédicteurs contiennent des valeurs manquantes et la plupart des lignes ont au moins une valeur manquante. Cela complique la modélisation, puisque la plupart des algorithmes de Machine Learning ne gèrent pas les valeurs manquantes tels quels. Par exemple, votre premier réflexe serait peut-être d'ajuster une régression logistique, mais avant cela, vous devez définir une stratégie pour traiter les NA.

Heureusement, la fonction train() de caret propose un argument nommé preProcess, qui vous permet d'indiquer que l'imputation par la médiane doit être utilisée pour combler les valeurs manquantes. Dans les chapitres précédents, vous avez créé des modèles avec train() en utilisant des formules comme y ~ .. Une autre façon consiste à préciser les arguments x et y à train(), où x est un objet avec les échantillons en lignes et les caractéristiques en colonnes, et y est un vecteur numérique ou factoriel contenant les issues. Autrement dit, x est une matrice ou un tableau de données qui regroupe tout l'ensemble de données que vous utiliseriez dans l'argument data d'un appel à lm(), par exemple, mais exclut la colonne de la variable réponse; y est un vecteur qui contient uniquement la colonne de la variable réponse.

Pour cet exercice, l'argument x de train() est chargé dans votre espace de travail sous le nom breast_cancer_x et y sous breast_cancer_y.

Imputation par la médiane vs. omission de lignes

Machine Learning avec caret en R

Exercice interactif pratique