ลบตัวทำนายที่มีความแปรปรวนเกือบเป็นศูนย์ออก

ดังที่เห็นในวิดีโอ ในชุดแบบฝึกหัดถัดไปจะใช้ชุดข้อมูล blood-brain ซึ่งเป็นชุดข้อมูลทางชีวเคมีที่มีเป้าหมายในการทำนายค่าต่อไปนี้สำหรับสารประกอบทางชีวเคมีชุดหนึ่ง:

log((concentration of compound in brain) /
      (concentration of compound in blood))

ค่านี้เป็นตัวชี้วัดเชิงปริมาณของความสามารถของสารประกอบในการผ่านเข้าสู่ blood-brain barrier ซึ่งมีประโยชน์สำหรับการทำความเข้าใจคุณสมบัติทางชีววิทยาของเกราะป้องกันนี้

สิ่งที่น่าสนใจในชุดข้อมูลนี้คือมีตัวแปรจำนวนมาก และหลายตัวแปรมีความแปรปรวนต่ำมาก หมายความว่าตัวแปรเหล่านี้แทบไม่มีข้อมูลที่เป็นประโยชน์ เนื่องจากส่วนใหญ่มีค่าเพียงค่าเดียว (เช่น ศูนย์)

โชคดีที่ caret มีฟังก์ชันอรรถประโยชน์ชื่อ nearZeroVar() สำหรับลบตัวแปรเหล่านี้ออก เพื่อประหยัดเวลาในขั้นตอนการสร้างโมเดล

nearZeroVar() รับข้อมูล x เป็นอินพุต แล้วดูที่อัตราส่วนของค่าที่พบบ่อยที่สุดต่อค่าที่พบบ่อยเป็นอันดับสอง (freqCut) และเปอร์เซ็นต์ของค่าที่แตกต่างกันเทียบกับจำนวนตัวอย่างทั้งหมด (uniqueCut) โดยค่าเริ่มต้น caret ใช้ freqCut = 19 และ uniqueCut = 10 ซึ่งค่อนข้างอนุรักษ์นิยม แต่แนะนำให้ใช้เกณฑ์ที่เข้มงวดกว่าเล็กน้อย คือ freqCut = 2 และ uniqueCut = 20 เมื่อเรียกใช้ nearZeroVar()