In questo capitolo userai una versione del dataset Wisconsin Breast Cancer. Questo dataset propone un classico problema di classificazione binaria: il 50% dei campioni è benigno, il 50% è maligno, e la sfida è riconoscerli correttamente.

Questo dataset è interessante perché molti predittori contengono valori mancanti e la maggior parte delle righe ha almeno un valore mancante. Questo è un ostacolo per il modeling, perché la maggior parte degli algoritmi di Machine Learning non gestisce i valori mancanti in modo nativo. Per esempio, potresti voler adattare subito un modello di regressione logistica, ma prima devi definire una strategia per gestire gli NA.

Per fortuna, la funzione train() di caret include un argomento chiamato preProcess, che ti permette di specificare l'imputazione con la mediana per riempire i valori mancanti. Nei capitoli precedenti hai creato modelli con train() usando formule come y ~ .. Un modo alternativo è specificare gli argomenti x e y in train(), dove x è un oggetto con i campioni in riga e le feature in colonna e y è un vettore numerico o fattoriale con gli esiti. In altre parole, x è una matrice o un data frame che contiene l’intero insieme di dati che useresti per l’argomento data in una chiamata a lm(), per esempio, ma esclude la colonna della variabile risposta; y è un vettore che contiene solo la variabile risposta.

Per questo esercizio, l’argomento x di train() è già caricato nel tuo workspace come breast_cancer_x e y come breast_cancer_y.

Perché rimuovere i predittori a varianza quasi zero?

Machine Learning con caret in R

esercizio interattivo pratico