R語言之-caret包應(yīng)用

caret包應(yīng)用之一：數(shù)據(jù)預(yù)處理

在進(jìn)行數(shù)據(jù)挖掘時，我們會用到R中的很多擴(kuò)展包，各自有不同的函數(shù)和功能。如果能將它們綜合起來應(yīng)用就會很方便。caret包（Classification and Regression Training）就是為了解決分類和回歸問題的數(shù)據(jù)訓(xùn)練而創(chuàng)建的一個綜合工具包。下面的例子圍繞數(shù)據(jù)挖掘的幾個核心步驟來說明其應(yīng)用。
本例涉及到的數(shù)據(jù)是一個醫(yī)學(xué)實驗數(shù)據(jù)，載入數(shù)據(jù)之后可以發(fā)現(xiàn)其樣本數(shù)為528，自變量數(shù)為342，mdrrDescr為自變量數(shù)據(jù)框，mdrrClass為因變量。
    library(caret)
    data(mdrr)
本例的樣本數(shù)據(jù)所涉及到的變量非常多，需要對變量進(jìn)行初步降維。其中一種需要刪除的變量是常數(shù)自變量，或者是方差極小的自變量，對應(yīng)的命令是nearZeroVar，可以看到新數(shù)據(jù)集的自變量減少到了297個。
    zerovar=nearZeroVar(mdrrDescr)
    newdata1=mdrrDescr[,-zerovar]
另一類需要刪除的是與其它自變量有很強(qiáng)相關(guān)性的變量，對應(yīng)的命令是findcorrelation。自變量中還有可能存在多重共線性問題，可以用findLinearCombos命令將它們找出來。這樣處理后自變量減少為94個。

    descrCorr = cor(newdata1)
    highCorr = findCorrelation(descrCorr, 0.90)
    newdata2 = newdata1[, -highCorr]
    comboInfo = findLinearCombos(newdata2)
    newdata2=newdata2[, -comboInfo$remove]

我們還需要將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化并補(bǔ)足缺失值，這時可以用preProcess命令，缺省參數(shù)是標(biāo)準(zhǔn)化數(shù)據(jù)，其高級功能還包括用K近鄰和裝袋決策樹兩種方法來預(yù)測缺失值。此外它還可以進(jìn)行cox冪變換和主成分提取。

    Process = preProcess(newdata2)
    newdata3 = predict(Process, newdata2)

最后是用createDataPartition將數(shù)據(jù)進(jìn)行劃分，分成75%的訓(xùn)練樣本和25%檢驗樣本，類似的命令還包括了createResample用來進(jìn)行簡單的自助法抽樣，還有createFolds來生成多重交叉檢驗樣本。

    inTrain = createDataPartition(mdrrClass, p = 3/4, list = FALSE)
    trainx = newdata3[inTrain,]
    testx = newdata3[-inTrain,]
    trainy = mdrrClass[inTrain]
    testy = mdrrClass[-inTrain]

在建模前還可以對樣本數(shù)據(jù)進(jìn)行圖形觀察，例如對前兩個變量繪制箱線圖

    featurePlot(trainx[,1:2],trainy,plot=’box’)

caret包應(yīng)用之二：特征選擇
在進(jìn)行數(shù)據(jù)挖掘時，我們并不需要將所有的自變量用來建模，而是從中選擇若干最重要的變量，這稱為特征選擇（feature selection）。一種算法就是后向選擇，即先將所有的變量都包括在模型中，然后計算其效能（如誤差、預(yù)測精度）和變量重要排序，然后保留最重要的若干變量，再次計算效能，這樣反復(fù)迭代，找出合適的自變量數(shù)目。這種算法的一個缺點在于可能會存在過度擬合，所以需要在此算法外再套上一個樣本劃分的循環(huán)。在caret包中的rfe命令可以完成這項任務(wù)。

首先定義幾個整數(shù)，程序必須測試這些數(shù)目的自變量.

    subsets = c(20,30,40,50,60,70,80)

然后定義控制參數(shù)，functions是確定用什么樣的模型進(jìn)行自變量排序，本例選擇的模型是隨機(jī)森林即rfFuncs，可以選擇的還有l(wèi)mFuncs（線性回歸），nbFuncs（樸素貝葉斯），treebagFuncs（裝袋決策樹），caretFuncs（自定義的訓(xùn)練模型）。
method是確定用什么樣的抽樣方法，本例使用cv即交叉檢驗, 還有提升boot以及留一交叉檢驗LOOCV

    ctrl= rfeControl(functions = rfFuncs, method = “cv”,verbose = FALSE, returnResamp = “final”)

最后使用rfe命令進(jìn)行特征選擇，計算量很大，這得花點時間

    Profile = rfe(newdata3, mdrrClass, sizes = subsets, rfeControl = ctrl)

觀察結(jié)果選擇50個自變量時，其預(yù)測精度最高

    print(Profile)

    Variables Accuracy Kappa AccuracySD KappaSD Selected

            20   0.8200 0.6285    0.04072 0.08550         
            30   0.8200 0.6294    0.04868 0.10102         
            40   0.8295 0.6487    0.03608 0.07359         
            50   0.8313 0.6526    0.04257 0.08744        *
            60   0.8277 0.6447    0.03477 0.07199         
            70   0.8276 0.6449    0.04074 0.08353         
            80   0.8275 0.6449    0.03991 0.08173         
            94   0.8313 0.6529    0.03899 0.08006

用圖形也可以觀察到同樣結(jié)果

    plot(Profile)

特征選擇

下面的命令則可以返回最終保留的自變量

    Profile$optVariables

caret包應(yīng)用之三：建模與參數(shù)優(yōu)化
在進(jìn)行建模時，需對模型的參數(shù)進(jìn)行優(yōu)化，在caret包中其主要函數(shù)命令是train。

首先得到經(jīng)過特征選擇后的樣本數(shù)據(jù)，并劃分為訓(xùn)練樣本和檢驗樣本

    newdata4=newdata3[,Profile$optVariables]
    inTrain = createDataPartition(mdrrClass, p = 3/4, list = FALSE)
    trainx = newdata4[inTrain,]
    testx = newdata4[-inTrain,]
    trainy = mdrrClass[inTrain]
    testy = mdrrClass[-inTrain]

然后定義模型訓(xùn)練參數(shù)，method確定多次交叉檢驗的抽樣方法，number確定了劃分的重數(shù)， repeats確定了反復(fù)次數(shù)。

    fitControl = trainControl(method = “repeatedcv”, number = 10, repeats = 3,returnResamp = “all”)

確定參數(shù)選擇范圍，本例建模準(zhǔn)備使用gbm算法，相應(yīng)的參數(shù)有如下四項

    gbmGrid = expand.grid(.interaction.depth = c(1, 3),.n.trees = c(50, 100, 150, 200, 250, 300),.shrinkage = 0.1,.n.minobsinnode = 10)

利用train函數(shù)進(jìn)行訓(xùn)練，使用的建模方法為提升決策樹方法，

    gbmFit1 = train(trainx,trainy,method = “gbm”,trControl = fitControl,tuneGrid = gbmGrid,verbose = FALSE)

從結(jié)果可以觀察到interaction.depth取1，n.trees取150時精度最高

interaction.depth  n.trees  Accuracy  Kappa  Accuracy SD  Kappa SD
  1                  50       0.822     0.635  0.0577       0.118   
  1                  100      0.824     0.639  0.0574       0.118   
  1                  150      0.826     0.643  0.0635       0.131   
  1                  200      0.824     0.64   0.0605       0.123   
  1                  250      0.816     0.623  0.0608       0.124   
  1                  300      0.824     0.64   0.0584       0.119   
  3                  50       0.816     0.621  0.0569       0.117   
  3                  100      0.82      0.631  0.0578       0.117   
  3                  150      0.815     0.621  0.0582       0.117   
  3                  200      0.82      0.63   0.0618       0.125   
  3                  250      0.813     0.617  0.0632       0.127   
  3                  300      0.812     0.615  0.0622       0.126

同樣的圖形觀察

    plot(gbmFit1)


caret包應(yīng)用之四：模型預(yù)測與檢驗
模型建立好后，我們可以利用predict函數(shù)進(jìn)行預(yù)測，例如預(yù)測檢測樣本的前五個

    predict(gbmFit1, newdata = testx)[1:5]

為了比較不同的模型，還可用裝袋決策樹建立第二個模型，命名為gbmFit2

    gbmFit2= train(trainx, trainy,method = “treebag”,trControl = fitControl)
    models = list(gbmFit1, gbmFit2)

另一種得到預(yù)測結(jié)果的方法是使用extractPrediction函數(shù)，得到的部分結(jié)果如下顯示

    predValues = extractPrediction(models,testX = testx, testY = testy)
    head(predValues)

     obs     pred model dataType  object
1 Active   Active   gbm Training Object1
2 Active   Active   gbm Training Object1
3 Active Inactive   gbm Training Object1
4 Active   Active   gbm Training Object1
5 Active   Active   gbm Training Object1

從中可提取檢驗樣本的預(yù)測結(jié)果

    testValues = subset(predValues, dataType == “Test”)

如果要得到預(yù)測概率，則使用extractProb函數(shù)

    probValues = extractProb(models,testX = testx, testY = testy)
    testProbs = subset(probValues, dataType == “Test”)

對于分類問題的效能檢驗，最重要的是觀察預(yù)測結(jié)果的混淆矩陣

    Pred1 = subset(testValues, model == “gbm”)
    Pred2 = subset(testValues, model == “treebag”)
    confusionMatrix(Pred1$pred, Pred1$obs)
    confusionMatrix(Pred2$pred, Pred2$obs)

結(jié)果如下，可見第一個模型在準(zhǔn)確率要比第二個模型略好一些

Reference
Prediction Active Inactive
  Active       65       12
  Inactive      9       45
                                      
               Accuracy : 0.8397

Reference

Prediction Active Inactive
  Active       63       12
  Inactive     11       45
                                          
               Accuracy : 0.8244

最后是利用ROCR包來繪制ROC圖

    prob1 = subset(testProbs, model == “gbm”)
    prob2 = subset(testProbs, model == “treebag”)
    library(ROCR)
    prob1$lable=ifelse(prob1$obs==’Active’,yes=1,0)
    pred1 = prediction(prob1$Active,prob1$lable)
    perf1 = performance(pred1, measure=”tpr”, x.measure=”fpr” )
    plot( perf1 )