În acest capitol, vei lucra cu o versiune a setului de date Wisconsin Breast Cancer. Acesta reprezintă o problemă clasică de clasificare binară: 50% dintre eșantioane sunt benigne, 50% sunt maligne, iar provocarea constă în a le distinge unele de altele.

Ceea ce face acest set de date interesant este că mulți dintre predictori conțin valori lipsă, iar majoritatea rândurilor au cel puțin o valoare lipsă. Aceasta ridică o problemă de modelare, deoarece majoritatea algoritmilor de învățare automată nu pot gestiona valorile lipsă fără o prelucrare prealabilă. De exemplu, primul impuls ar putea fi să antrenezi un model de regresie logistică pe aceste date – însă înainte de asta ai nevoie de o strategie pentru a trata valorile NA.

Din fericire, funcția train() din caret include un argument numit preProcess, care îți permite să specifici că imputarea prin mediană ar trebui folosită pentru a completa valorile lipsă. În capitolele anterioare, ai creat modele cu funcția train() folosind formule de tipul y ~ .. O abordare alternativă este să specifici argumentele x și y ale funcției train(), unde x este un obiect cu eșantioanele pe rânduri și caracteristicile pe coloane, iar y este un vector numeric sau factor care conține valorile-țintă. Cu alte cuvinte, x este o matrice sau un cadru de date care conține întregul set de date pe care l-ai folosi pentru argumentul data al funcției lm(), de exemplu, dar fără coloana variabilei de răspuns; y este un vector care conține doar coloana variabilei de răspuns.

Pentru acest exercițiu, argumentul x al funcției train() este încărcat în spațiul de lucru ca breast_cancer_x, iar y ca breast_cancer_y.

Comparație între imputarea KNN și imputarea prin mediană

Machine Learning cu caret în R

Exercițiu interactiv practic