R recipes step_isomap 等位图嵌入

step_isomap() 创建配方步骤的规范，该配方步骤使用多维缩放将数值数据转换为一个或多个新维度。

用法

step_isomap(
  recipe,
  ...,
  role = "predictor",
  trained = FALSE,
  num_terms = 5,
  neighbors = 50,
  options = list(.mute = c("message", "output")),
  res = NULL,
  columns = NULL,
  prefix = "Isomap",
  keep_original_cols = FALSE,
  skip = FALSE,
  id = rand_id("isomap")
)

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_terms

保留作为新预测变量的等位图维度数。如果num_terms大于列数或可能的维度数，则将使用较小的值。

neighbors

邻居的数量。

options

dimRed::Isomap() 的选项列表。

res

一旦 prep() 训练了该预处理步骤，dimRed::Isomap() 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

Isomap 是多维标度 (MDS) 的一种形式。 MDS 方法尝试找到一组缩减的维度，以便保留原始数据点之间的几何距离。此版本的 MDS 使用数据中的最近邻作为提高新维度对原始数据值的保真度的方法。

此步骤需要暗红色,频谱,图形， 和RANN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。

建议在运行 Isomap 之前对变量进行居中和缩放(step_center 和 step_scale 可用于此目的)。

参数 num_terms 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_terms < 10 ，它们的名称将为 Isomap1 - Isomap9 。如果是 num_terms = 101 ，则名称将为 Isomap001 - Isomap101 。

整理

当您tidy()此步骤时，将返回带有terms列(选择的选择器或变量)的tibble。

调整参数

此步骤有 2 个调整参数：

• num_terms : # 模型术语(类型：整数，默认值：5)

• neighbors : # 最近邻居(类型：整数，默认值：50)

箱重

底层操作不允许使用案例权重。

参考

De Silva, V. 和 Tenenbaum, J. B. (2003)。非线性降维中的全局方法与局部方法。神经信息处理系统的进展。 721-728。

暗红色，降维框架，https://github.com/gdkrmr

也可以看看

例子

if (FALSE) {
data(biomass, package = "modeldata")

biomass_tr <- biomass[biomass$dataset == "Training", ]
biomass_te <- biomass[biomass$dataset == "Testing", ]

rec <- recipe(
  HHV ~ carbon + hydrogen + oxygen + nitrogen + sulfur,
  data = biomass_tr
)

im_trans <- rec %>%
  step_YeoJohnson(all_numeric_predictors()) %>%
  step_normalize(all_numeric_predictors()) %>%
  step_isomap(all_numeric_predictors(), neighbors = 100, num_terms = 2)

im_estimates <- prep(im_trans, training = biomass_tr)

im_te <- bake(im_estimates, biomass_te)

rng <- extendrange(c(im_te$Isomap1, im_te$Isomap2))
plot(im_te$Isomap1, im_te$Isomap2,
  xlim = rng, ylim = rng
)

tidy(im_trans, number = 3)
tidy(im_estimates, number = 3)
}