R recipes step_ica ICA 信號提取

step_ica() 創建配方步驟的規範，該步驟將數字數據轉換為一個或多個獨立組件。

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")
)

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

對於此步驟創建的模型項，應為其分配什麽分析角色？默認情況下，此步驟根據原始變量創建的新列將用作模型中的預測變量。

trained

指示預處理數量是否已估計的邏輯。

num_comp

保留作為新預測變量的組件數量。如果num_comp大於列數或可能組件的數量，則將使用較小的值。如果設置了 num_comp = 0 ，則不會進行任何轉換，並且所選變量將保持不變，無論 keep_original_cols 的值如何。

options

fastICA::fastICA() 的選項列表。這裏沒有設置默認值。請注意，不應在此處傳遞參數 X 和 n.comp。

seed

用於在運行 ICA 之前設置隨機數流的單個整數。

res

一旦 prep() 訓練了該預處理步驟，fastICA::fastICA() 對象就會存儲在此處。

columns

所選變量名稱的字符串。該字段是一個占位符，一旦使用 prep() 就會被填充。

prefix

生成的新變量的前綴字符串。請參閱下麵的注釋。

keep_original_cols

將原始變量保留在輸出中的邏輯。默認為 FALSE 。

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

獨立成分分析(ICA)是一組變量的轉換，產生一組新的人工特征或成分。 ICA 假設變量是一組不同的非高斯信號的混合，並嘗試轉換數據以隔離這些信號。與 PCA 一樣，這些組件在統計上彼此獨立。這意味著它們可用於對抗數據集中的大量 inter-variables 相關性。與 PCA 一樣，建議在運行 ICA 之前對變量進行居中和縮放。

該軟件包使用"FastICA"方法生成組件(請參閱下麵的引用)。此步驟需要暗紅色和快速ICA包。如果未安裝，該步驟將停止並顯示有關安裝這些軟件包的注釋。

參數 num_comp 控製將保留的組件數量(用於派生組件的原始變量將從數據中刪除)。新組件的名稱以 prefix 和一係列數字開頭。變量名稱用零填充。例如，如果 num_comp < 10 ，它們的名稱將為 IC1 - IC9 。如果是 num_comp = 101 ，則名稱將為 IC1 - IC101 。

整理

當您tidy()此步驟時，將返回包含terms(選擇的選擇器或變量)、value(加載)和component列的tibble。

調整參數

此步驟有 1 個調整參數：

• num_comp : # 組件(類型：整數，默認值：5)

箱重

底層操作不允許使用案例權重。

參考

Hyvarinen, A. 和 Oja, E. (2000)。獨立成分分析：算法和應用。神經網絡，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)
}