การใช้ PCA เป็นทางเลือกแทน nearZeroVar()

อีกทางเลือกหนึ่งแทนการตัดตัวทำนายที่มีความแปรปรวนต่ำออกคือการรัน PCA บนชุดข้อมูล วิธีนี้อาจเหมาะกว่าในบางกรณี เพราะไม่ได้ตัดข้อมูลทิ้งทั้งหมด แต่นำตัวทำนายที่มีความแปรปรวนต่ำหลายตัวมารวมกันเป็นตัวแปร PCA ที่มีความแปรปรวนสูง ซึ่งอาจช่วยเพิ่มความแม่นยำของโมเดลได้

เทคนิคนี้เหมาะเป็นพิเศษสำหรับโมเดลเชิงเส้น โดยออปชัน pca ในอาร์กิวเมนต์ preProcess จะทำการ center และ scale ข้อมูล รวมตัวแปรที่มีความแปรปรวนต่ำเข้าด้วยกัน และทำให้ตัวทำนายทุกตัวมีความตั้งฉากซึ่งกันและกัน ผลที่ได้คือชุดข้อมูลที่เหมาะสำหรับการสร้างโมเดล linear regression และมักช่วยเพิ่มความแม่นยำได้อย่างเห็นได้ชัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning ด้วย caret ใน R

ดูคอร์ส

คำแนะนำการฝึกหัด

bloodbrain_x และ bloodbrain_y ถูกโหลดไว้ใน workspace แล้ว

Fit โมเดล glm กับชุดข้อมูล blood-brain เต็มรูปแบบโดยใช้ออปชัน "pca" ใน preProcess
พิมพ์โมเดลออกมาที่คอนโซลแล้วตรวจสอบผลลัพธ์ที่ได้

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Fit glm model using PCA: model
model <- train(
  x = ___, 
  y = ___,
  method = ___, 
  preProcess = ___
)

# Print model to console

แก้ไขและรันโค้ด