R recipes step_corr 高相關濾波器

step_corr() 創建配方步驟的規範，該步驟可能會刪除與其他變量具有較大絕對相關性的變量。

用法

step_corr(
  recipe,
  ...,
  role = NA,
  trained = FALSE,
  threshold = 0.9,
  use = "pairwise.complete.obs",
  method = "pearson",
  removals = NULL,
  skip = FALSE,
  id = rand_id("corr")
)

參數

recipe: 一個菜譜對象。該步驟將添加到此配方的操作序列中。
...: 一個或多個選擇器函數用於為此步驟選擇變量。有關更多詳細信息，請參閱selections()。
role: 由於沒有創建新變量，因此此步驟未使用。
trained: 指示預處理數量是否已估計的邏輯。
threshold: 絕對相關值的閾值。該步驟將嘗試刪除最小數量的列，以便所有生成的絕對相關性都小於該值。
use: stats::cor() 函數的 use 參數的字符串。
method: stats::cor() 函數的 method 參數的字符串。
removals: 包含應刪除的列名稱的字符串。這些值直到調用 prep() 後才確定。
skip: 一個合乎邏輯的。當bake() 烘焙食譜時是否應該跳過此步驟？雖然所有操作都是在 prep() 運行時烘焙的，但某些操作可能無法對新數據進行(例如處理結果變量)。使用skip = TRUE時應小心，因為它可能會影響後續操作的計算。
id: 該步驟特有的字符串，用於標識它。

值

recipe 的更新版本，將新步驟添加到任何現有操作的序列中。

細節

此步驟可能會從數據集中刪除列。如果通過名稱專門引用缺失的列，這可能會導致配方中的後續步驟出現問題。為了避免這種情況，請參閱 selections 的“保存配方和過濾列的提示”部分中的建議。

此步驟嘗試刪除變量以保持變量之間的最大絕對相關性小於 threshold 。

當列具有單個唯一值時，該列將從相關性分析中排除。此外，如果數據集存在零星缺失值(並且選擇了不適當的值use)，某些列也將從過濾器中排除。

如果方案中使用了案例權重，則參數 use 和 method 不會生效。

整理

當您tidy()此步驟時，將返回帶有列terms(將被刪除的列)的tibble。

調整參數

此步驟有 1 個調整參數：

threshold：閾值(類型：double，默認值：0.9)

箱重

此步驟執行可以利用案例權重的無監督操作。因此，個案權重僅與頻率權重一起使用。有關更多信息，請參閱 case_weights 中的文檔和 tidymodels.org 中的示例。

也可以看看

其他變量過濾步驟：step_filter_missing()、step_lincomb()、step_nzv()、step_rm()、step_select()、step_zv()

作者

過濾算法的原始 R 代碼由 Dong Li 編寫，由 Max Kuhn 修改。 Reynald Lescarbeau 的貢獻(原版位於 caret 包中)。 Max Kuhn 用於 step 函數。

例子

data(biomass, package = "modeldata")

set.seed(3535)
biomass$duplicate <- biomass$carbon + rnorm(nrow(biomass))

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

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

corr_filter <- rec %>%
  step_corr(all_numeric_predictors(), threshold = .5)

filter_obj <- prep(corr_filter, training = biomass_tr)

filtered_te <- bake(filter_obj, biomass_te)
round(abs(cor(biomass_tr[, c(3:7, 9)])), 2)
#>           carbon hydrogen oxygen nitrogen sulfur duplicate
#> carbon      1.00     0.32   0.63     0.15   0.09      1.00
#> hydrogen    0.32     1.00   0.54     0.07   0.19      0.31
#> oxygen      0.63     0.54   1.00     0.18   0.31      0.63
#> nitrogen    0.15     0.07   0.18     1.00   0.27      0.15
#> sulfur      0.09     0.19   0.31     0.27   1.00      0.10
#> duplicate   1.00     0.31   0.63     0.15   0.10      1.00
round(abs(cor(filtered_te)), 2)
#>           hydrogen nitrogen sulfur duplicate  HHV
#> hydrogen      1.00     0.11   0.26      0.20 0.10
#> nitrogen      0.11     1.00   0.16      0.13 0.11
#> sulfur        0.26     0.16   1.00      0.13 0.08
#> duplicate     0.20     0.13   0.13      1.00 0.94
#> HHV           0.10     0.11   0.08      0.94 1.00

tidy(corr_filter, number = 1)
#> # A tibble: 1 × 2
#>   terms                    id        
#>   <chr>                    <chr>     
#> 1 all_numeric_predictors() corr_ubc7G
tidy(filter_obj, number = 1)
#> # A tibble: 2 × 2
#>   terms  id        
#>   <chr>  <chr>     
#> 1 oxygen corr_ubc7G
#> 2 carbon corr_ubc7G

源代碼：R/corr.R

相關用法

注：本文由純淨天空篩選整理自Max Kuhn等大神的英文原創作品 High Correlation Filter。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。