У цьому розділі ви працюватимете з версією набору даних Wisconsin Breast Cancer. Це класична задача бінарної класифікації: 50% зразків — доброякісні, 50% — злоякісні, і потрібно визначити, де які.

Цей набір даних цікавий тим, що багато предикторів містять пропущені значення, і більшість рядків мають щонайменше одне пропущене значення. Це створює проблему для моделювання, адже більшість алгоритмів машинного навчання не працюють із пропусками „з коробки". Наприклад, перша думка може бути — навчити модель логістичної регресії, але перед цим потрібно визначити стратегію обробки NA.

На щастя, функція train() із caret має аргумент preProcess, який дозволяє вказати, що для заповнення пропущених значень слід використовувати імпутацію медіаною. У попередніх розділах ви створювали моделі за допомогою train() і формул на кшталт y ~ .. Альтернативний спосіб — передати до train() аргументи x і y, де x — це об'єкт із зразками в рядках і ознаками в стовпцях, а y — числовий або факторний вектор із цільовими значеннями. Іншими словами, x — це матриця або датафрейм, що містить увесь набір даних, який ви б передали як data до виклику lm(), наприклад, але без стовпця з відгуком; y — це вектор, що містить лише стовпець відгуку.

У цій вправі аргумент x для train() уже завантажений у ваше робоче середовище як breast_cancer_x, а y — як breast_cancer_y.

Медіанне заповнення проти пропуску рядків

Machine Learning з пакетом caret в R

Практична інтерактивна вправа