R recipes step_ica ICA 信号提取

step_ica() 创建配方步骤的规范，该步骤将数字数据转换为一个或多个独立组件。

用法

step_ica(
  recipe,
  ...,
  role = "predictor",
  trained = FALSE,
  num_comp = 5,
  options = list(method = "C"),
  seed = sample.int(10000, 5),
  res = NULL,
  columns = NULL,
  prefix = "IC",
  keep_original_cols = FALSE,
  skip = FALSE,
  id = rand_id("ica")
)

参数

recipe

一个菜谱对象。该步骤将添加到此配方的操作序列中。

...

一个或多个选择器函数用于为此步骤选择变量。有关更多详细信息，请参阅selections()。

role

对于此步骤创建的模型项，应为其分配什么分析角色？默认情况下，此步骤根据原始变量创建的新列将用作模型中的预测变量。

trained

指示预处理数量是否已估计的逻辑。

num_comp

保留作为新预测变量的组件数量。如果num_comp大于列数或可能组件的数量，则将使用较小的值。如果设置了 num_comp = 0 ，则不会进行任何转换，并且所选变量将保持不变，无论 keep_original_cols 的值如何。

options

fastICA::fastICA() 的选项列表。这里没有设置默认值。请注意，不应在此处传递参数 X 和 n.comp。

seed

用于在运行 ICA 之前设置随机数流的单个整数。

res

一旦 prep() 训练了该预处理步骤，fastICA::fastICA() 对象就会存储在此处。

columns

所选变量名称的字符串。该字段是一个占位符，一旦使用 prep() 就会被填充。

prefix

生成的新变量的前缀字符串。请参阅下面的注释。

keep_original_cols

将原始变量保留在输出中的逻辑。默认为 FALSE 。

skip

一个合乎逻辑的。当bake() 烘焙食谱时是否应该跳过此步骤？虽然所有操作都是在 prep() 运行时烘焙的，但某些操作可能无法对新数据进行(例如处理结果变量)。使用skip = TRUE时应小心，因为它可能会影响后续操作的计算。

id

该步骤特有的字符串，用于标识它。

值

recipe 的更新版本，将新步骤添加到任何现有操作的序列中。

细节

独立成分分析(ICA)是一组变量的转换，产生一组新的人工特征或成分。 ICA 假设变量是一组不同的非高斯信号的混合，并尝试转换数据以隔离这些信号。与 PCA 一样，这些组件在统计上彼此独立。这意味着它们可用于对抗数据集中的大量 inter-variables 相关性。与 PCA 一样，建议在运行 ICA 之前对变量进行居中和缩放。

该软件包使用"FastICA"方法生成组件(请参阅下面的引用)。此步骤需要暗红色和快速ICA包。如果未安装，该步骤将停止并显示有关安装这些软件包的注释。

参数 num_comp 控制将保留的组件数量(用于派生组件的原始变量将从数据中删除)。新组件的名称以 prefix 和一系列数字开头。变量名称用零填充。例如，如果 num_comp < 10 ，它们的名称将为 IC1 - IC9 。如果是 num_comp = 101 ，则名称将为 IC1 - IC101 。

整理

当您tidy()此步骤时，将返回包含terms(选择的选择器或变量)、value(加载)和component列的tibble。

调整参数

此步骤有 1 个调整参数：

• num_comp : # 组件(类型：整数，默认值：5)

箱重

底层操作不允许使用案例权重。

参考

Hyvarinen, A. 和 Oja, E. (2000)。独立成分分析：算法和应用。神经网络，13(4-5), 411-430。

也可以看看

例子

if (FALSE) {
# from fastICA::fastICA
set.seed(131)
S <- matrix(runif(400), 200, 2)
A <- matrix(c(1, 1, -1, 3), 2, 2, byrow = TRUE)
X <- as.data.frame(S %*% A)

tr <- X[1:100, ]
te <- X[101:200, ]

rec <- recipe(~., data = tr)

ica_trans <- step_center(rec, V1, V2)
ica_trans <- step_scale(ica_trans, V1, V2)
ica_trans <- step_ica(ica_trans, V1, V2, num_comp = 2)

ica_estimates <- prep(ica_trans, training = tr)
ica_data <- bake(ica_estimates, te)

plot(te$V1, te$V2)
plot(ica_data$IC1, ica_data$IC2)

tidy(ica_trans, number = 3)
tidy(ica_estimates, number = 3)
}