R Language
Selección de características en R - Eliminación de características extrañas
Buscar..
Eliminación de características con variación cero o casi cero
Una característica que tiene una variación cercana a cero es un buen candidato para la eliminación.
Puede detectar manualmente la variación numérica por debajo de su propio umbral:
data("GermanCredit")
variances<-apply(GermanCredit, 2, var)
variances[which(variances<=0.0025)]
O bien, puede utilizar el paquete caret para encontrar una variación cercana a cero. Una ventaja aquí es que define una varianza cercana a cero no en el cálculo numérico de la varianza, sino en función de la rareza:
"nearZeroVar diagnostica predictores que tienen un valor único (es decir, son predictores de varianza cero) o predictores que tienen las dos características siguientes: tienen muy pocos valores únicos en relación con el número de muestras y la proporción de la frecuencia del valor más común a la frecuencia del segundo valor más común es grande ... "
library(caret)
names(GermanCredit)[nearZeroVar(GermanCredit)]
Eliminando características con altos números de NA
Si una característica carece en gran medida de datos, es un buen candidato para su eliminación:
library(VIM)
data(sleep)
colMeans(is.na(sleep))
BodyWgt BrainWgt NonD Dream Sleep Span Gest
0.00000000 0.00000000 0.22580645 0.19354839 0.06451613 0.06451613 0.06451613
Pred Exp Danger
0.00000000 0.00000000 0.00000000
En este caso, es posible que queramos eliminar NonD y Dream, ya que cada uno tiene alrededor de un 20% de valores perdidos (su corte puede variar)
Eliminar características estrechamente correlacionadas
Las características estrechamente correlacionadas pueden agregar variación a su modelo, y eliminar uno de un par correlacionado podría ayudar a reducir eso. Hay muchas formas de detectar la correlación. Aquí hay uno:
library(purrr) # in order to use keep()
# select correlatable vars
toCorrelate<-mtcars %>% keep(is.numeric)
# calculate correlation matrix
correlationMatrix <- cor(toCorrelate)
# pick only one out of each highly correlated pair's mirror image
correlationMatrix[upper.tri(correlationMatrix)]<-0
# and I don't remove the highly-correlated-with-itself group
diag(correlationMatrix)<-0
# find features that are highly correlated with another feature at the +- 0.85 level
apply(correlationMatrix,2, function(x) any(abs(x)>=0.85))
mpg cyl disp hp drat wt qsec vs am gear carb
TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
Querré ver a qué MPG se relaciona tan fuertemente, y decidir qué guardar y qué tirar. Lo mismo para cyl y disp. Alternativamente, podría necesitar combinar algunas características fuertemente correlacionadas.