Kombinera förbehandlingsmetoder
Argumentet preProcess i train() begränsar dig inte till att bara imputera saknade värden. Det innehåller även en mängd andra tekniker som gör ditt arbete som datavetare betydligt enklare. Du kan läsa en fullständig lista genom att skriva ?preProcess och läsa hjälpsidan för funktionen.
En uppsättning förbehandlingsfunktioner som är särskilt användbara vid anpassning av regressionsmodeller är standardisering: centrering och skalning. Du centrerar först genom att subtrahera medelvärdet för varje kolumn från varje värde i den kolumnen, och sedan skalar du genom att dividera med standardavvikelsen.
Standardisering transformerar dina data så att varje kolumn får medelvärdet 0 och standardavvikelsen 1. Det gör det enklare för regressionsmodeller att hitta en bra lösning.
Den här övningen är en del av kursen
Maskininlärning med caret i R
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Fit glm with median imputation
model <- train(
x = ___,
y = ___,
method = ___,
trControl = myControl,
preProcess = ___
)
# Print model