R recipes step_isomap 等位圖嵌入

step_isomap() 創建配方步驟的規範，該配方步驟使用多維縮放將數值數據轉換為一個或多個新維度。

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")
)

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_terms

保留作為新預測變量的等位圖維度數。如果num_terms大於列數或可能的維度數，則將使用較小的值。

neighbors

鄰居的數量。

options

dimRed::Isomap() 的選項列表。

res

一旦 prep() 訓練了該預處理步驟，dimRed::Isomap() 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

Isomap 是多維標度 (MDS) 的一種形式。 MDS 方法嘗試找到一組縮減的維度，以便保留原始數據點之間的幾何距離。此版本的 MDS 使用數據中的最近鄰作為提高新維度對原始數據值的保真度的方法。

此步驟需要暗紅色,頻譜,圖形， 和RANN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。

建議在運行 Isomap 之前對變量進行居中和縮放(step_center 和 step_scale 可用於此目的)。

參數 num_terms 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_terms < 10 ，它們的名稱將為 Isomap1 - Isomap9 。如果是 num_terms = 101 ，則名稱將為 Isomap001 - Isomap101 。

整理

當您tidy()此步驟時，將返回帶有terms列(選擇的選擇器或變量)的tibble。

調整參數

此步驟有 2 個調整參數：

• num_terms : # 模型術語(類型：整數，默認值：5)

• neighbors : # 最近鄰居(類型：整數，默認值：50)

箱重

底層操作不允許使用案例權重。

參考

De Silva, V. 和 Tenenbaum, J. B. (2003)。非線性降維中的全局方法與局部方法。神經信息處理係統的進展。 721-728。

暗紅色，降維框架，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)
}