Supprimer les prédicteurs à variance quasi nulle

Comme vous l’avez vu dans la vidéo, pour la prochaine série d’exercices, vous utiliserez le jeu de données blood-brain. Il s’agit d’un jeu de données biochimiques dans lequel la tâche consiste à prédire la valeur suivante pour un ensemble de composés :

log((concentration du composé dans le cerveau) /
      (concentration du composé dans le sang))

Cette valeur fournit une mesure quantitative de la capacité d’un composé à traverser la barrière hémato-encéphalique et aide à comprendre les propriétés biologiques de cette barrière.

Un aspect intéressant de ce jeu de données est qu’il contient de nombreuses variables, dont beaucoup présentent des variances extrêmement faibles. Autrement dit, ces variables contiennent très peu d’information, car elles sont majoritairement constituées d’une seule valeur (par exemple zéro).

Heureusement, caret propose une fonction utilitaire appelée nearZeroVar() pour supprimer ces variables et gagner du temps lors de la modélisation.

nearZeroVar() prend des données x, puis examine le rapport entre la valeur la plus fréquente et la deuxième plus fréquente, freqCut, ainsi que le pourcentage de valeurs distinctes par rapport au nombre total d’échantillons, uniqueCut. Par défaut, caret utilise freqCut = 19 et uniqueCut = 10, ce qui est plutôt conservateur. Je préfère être un peu plus agressif et utiliser freqCut = 2 et uniqueCut = 20 lors de l’appel à nearZeroVar().