Question

我正在开发一个非常大的数据集。（csv）

数据集由数字和分类列组成。

其中一列是我的“目标列”，这意味着我想使用其他列来确定哪个值（3个可能的已知值中的哪个）可能位于“目标列”中。最后检查我的分类与真实数据。

我的问题：

我正在使用R。

我试图找到一种方法来选择能够提供最佳分类的特征子集。遍历所有子集是不可能的。

有人知道算法还是可以想到在R上做这种方式？

Answer 1

这似乎是一个分类问题。如果不知道你的目标的协变量，不能确定，但神经网络不能解决你的问题吗？

您可以使用 nnet软件包，它使用前馈神经网络并使用多个类。由于您可以只使用因子，因此使用分类列不是问题。

没有数据样本我只能解释一下，但主要是使用函数：

newNet<-nnet(targetColumn~ . ,data=yourDataset, subset=yourDataSubset [..and more values]..)

你获得了训练有素的神经网络。这里最重要的是隐藏层的大小，这是一个棘手的事情。根据经验，它应该大约是输入量的2/3 +输出量（在你的情况下为3）。

然后用：

myPrediction <- predict(newNet, newdata=yourDataset(with the other subset))

您获得预测值。关于如何评估它们，我使用ROCR包但目前只支持二进制分类，我想谷歌搜索会显示一些帮助。

如果你坚持要消除一些协变量，使用cor（）函数可以帮助你识别那些较不特征的协变量。

编辑分步指南：

让我们说我们有这个数据框：

str(df)
'data.frame':   5 obs. of  3 variables:
 $ a: num  1 2 3 4 5
 $ b: num  1 1.5 2 2.5 3
 $ c: Factor w/ 3 levels "blue","red","yellow": 2 2 1 2 3

列 c 有3个级别，即可以采用的3种类型的值。当列具有字符串而不是数值时，默认情况下由数据框完成。

现在，使用列 a 和 b ，我们想要预测 c 将是哪个值。使用神经网络。对于这个例子，nnet包很简单。如果您没有安装它，请使用：

install.packages("nnet")

然后，加载它：

require(nnet)

之后，让我们用一个数据样本训练神经网络，为此，函数

部＆LT; -sample（1：nrow（DF），0.7 * nrow（DF））

将存储数据帧中70％的行的部分。现在，让我们训练那个网！我建议您查看带有?nnet的nnet软件包的文档，以获得更深入的了解。仅使用基础知识：

myNet<-nnet( c~ a+b,data=df,subset=portion,size=1)

c~ a+b是预测的公式。您希望使用列a和b预测列 c data=表示数据源，在本例中是数据帧df subset=自我解释正如我所说，size=隐藏层的大小占总列数的2/3（a + b）+总输出（1）

我们现在已经训练了网，让我们使用它。

使用predict，您将使用经过培训的网络获取新值。

newPredictedValues<-predict(myNet,newdata=df[-portion,])

之后，newPredictedValues将有预测。

Answer 2

由于您同时拥有数字和分类数据，因此您可以尝试使用SVM。

我在我的数字数据上使用SVM和KNN，我也尝试应用DNN。 DNN训练特别是R中的大数据非常慢.KNN不需要训练，但用于数值数据。以下是我正在使用的内容。也许你可以看看它。

#Train the model
y_train<-data[,1] #first col is response variable
x_train<-subset(data,select=-1) 
train_df<-data.frame(x=x_train,y=y_train)
svm_model<-svm(y~.,data=train_df,type="C")

#Test 
y_test<-testdata[,1]
x_test<-subset(testdata,select=-1)
pred<-predict(svm_model,newdata = x_test)
svm_t<-table(pred,y_test)
sum(diag(svm_t))/sum(svm_t) #accuracy

在具有数字和分类变量的数据集中使用R进行分类

2 个答案: