Как использовать функции PreProcess, когда некоторые из них являются факторами?

Мой вопрос связан с этим относительно категориальных данных (факторов в терминах R) при использовании пакета Caret. Я понимаю из связанного сообщения, что если вы используете "интерфейс формулы", некоторые функции могут быть факторами, и обучение будет работать нормально. Мой вопрос: как я могу масштабировать данные с помощью функции preProcess()? Если я попытаюсь сделать это в кадре данных с некоторыми столбцами в качестве факторов, я получаю это сообщение об ошибке:

Error in preProcess.default(etitanic, method = c("center", "scale")) : 
  all columns of x must be numeric

См. здесь пример кода:

library(earth)
data(etitanic)

a <- preProcess(etitanic, method=c("center", "scale"))
b <- predict(etitanic, a)

Спасибо.

Ответы

Ответ 1

Это действительно та же проблема, что и сообщение, на которое вы ссылаетесь. preProcess работает только с числовыми данными, и у вас есть:

> str(etitanic)
'data.frame':   1046 obs. of  6 variables:
 $ pclass  : Factor w/ 3 levels "1st","2nd","3rd": 1 1 1 1 1 1 1 1 1 1 ...
 $ survived: int  1 1 0 0 0 1 1 0 1 0 ...
 $ sex     : Factor w/ 2 levels "female","male": 1 2 1 2 1 2 1 2 1 2 ...
 $ age     : num  29 0.917 2 30 25 ...
 $ sibsp   : int  0 1 1 1 1 0 1 0 2 0 ...
 $ parch   : int  0 2 2 2 2 0 0 0 0 0 ...

Вы не можете центрировать и масштабировать pclass или sex как есть, поэтому их нужно преобразовать в фиктивные переменные. Вы можете использовать model.matrix или caret dummyVars для этого:

 > new <- model.matrix(survived ~ . - 1, data = etitanic)
 > colnames(new)
 [1] "pclass1st" "pclass2nd" "pclass3rd" "sexmale"   "age"      
 [6] "sibsp"     "parch"

-1 избавляется от перехвата. Теперь вы можете запустить preProcess на этом объекте.

btw make preProcess игнорировать нечисловые данные в моем списке "делать", но это может привести к ошибкам для людей, не обращающих внимания.

Max

Ответ 2

Вот быстрый способ исключить факторы или что бы вы хотели от рассмотрения:

set.seed(1)
N <- 20
dat <- data.frame( 
    x = factor(sample(LETTERS[1:5],N,replace=TRUE)),
    y = rnorm(N,5,12),
    z = rnorm(N,-5,17) + runif(N,2,12)
)

#' Function which wraps preProcess to exclude factors from the model.matrix
ppWrapper <- function( x, excludeClasses=c("factor"), ... ) {
    whichToExclude <- sapply( x, function(y) any(sapply(excludeClasses, function(excludeClass) is(y,excludeClass) )) )
    processedMat <- predict( preProcess( x[!whichToExclude], ...), newdata=x[!whichToExclude] )
    x[!whichToExclude] <- processedMat
    x
}

> ppWrapper(dat)
   x          y           z
1  C  1.6173595 -0.44054795
2  A -0.2933705 -1.98856921
3  C  1.2177384  0.65420288
4  D -0.8710374  0.62409408
5  D -0.4504202 -0.34048640
6  D -0.6943283  0.24236671
7  E  0.7778192  0.91606677
8  D  0.2184563 -0.44935163
9  C -0.3611408  0.26075970
10 B -0.7066441 -0.23046073
11 D -1.5154339 -0.75549761
12 D  0.4504825  0.38552988
13 B  1.5692675  0.04093040
14 C  0.4127541  0.13161807
15 D  0.5426321  1.09527418
16 B -2.1040322 -0.04544407
17 C  0.6928574  1.12090541
18 B  0.3580960  1.91446230
19 E  0.3619967 -0.89018040
20 A -1.2230522 -2.24567237

Вы можете передать все, что хотите, в ppWrapper, и оно будет передано до preProcess.