R recipes step_nzv 近零方差濾波器

step_nzv() 創建配方步驟的規範，該步驟可能會刪除高度稀疏和不平衡的變量。

用法

step_nzv(
  recipe,
  ...,
  role = NA,
  trained = FALSE,
  freq_cut = 95/5,
  unique_cut = 10,
  options = list(freq_cut = 95/5, unique_cut = 10),
  removals = NULL,
  skip = FALSE,
  id = rand_id("nzv")
)

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。

freq_cut, unique_cut

過濾過程的數字參數。請參閱下麵的詳細信息部分。

options

過濾器的選項列表(請參閱下麵的詳細信息)。

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。

此步驟診斷具有一個唯一值的預測變量(即零方差預測變量)或具有以下兩個特征的預測變量：

1. 相對於樣本數量，它們具有很少的唯一值，並且

2. 最常見值的頻率與第二常見值的頻率之比很大。

例如，近零方差預測器的一個示例是，對於 1000 個樣本，具有兩個不同的值，其中 999 個是單個值。

要進行標記，首先，最常見值相對於第二最常見值(稱為 "frequency ratio")的頻率必須高於 freq_cut 。其次，“唯一值的百分比”，即唯一值的數量除以樣本總數(乘以 100)，也必須低於 unique_cut 。

在上麵的示例中，頻率比為 999，唯一值百分比為 0.2%。

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 2 個調整參數：

• freq_cut：頻率分布比(類型：double，默認：95/5)

• unique_cut：% 唯一值(類型：double，默認值：10)

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

例子

data(biomass, package = "modeldata")

biomass$sparse <- c(1, rep(0, nrow(biomass) - 1))

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

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

nzv_filter <- rec %>%
  step_nzv(all_predictors())

filter_obj <- prep(nzv_filter, training = biomass_tr)

filtered_te <- bake(filter_obj, biomass_te)
any(names(filtered_te) == "sparse")
#> [1] FALSE

tidy(nzv_filter, number = 1)
#> # A tibble: 1 × 2
#>   terms            id       
#>   <chr>            <chr>    
#> 1 all_predictors() nzv_evI1V
tidy(filter_obj, number = 1)
#> # A tibble: 1 × 2
#>   terms  id       
#>   <chr>  <chr>    
#> 1 sparse nzv_evI1V