R插入包rfe永远不会完成错误任务1失败 - “替换长度为零”

时间:2014-03-02 15:32:33

标签: r r-caret feature-selection

我最近开始研究我正在开发的模型的插入包。我正在使用最新版本。作为第一步,我决定将它用于特征选择。我使用的数据有大约760个特征和10k观测值。我基于在线培训材料创建了一个简单的功能。不幸的是,我一直都会遇到错误,因此流程永远不会完成。这是产生错误的代码。在这个例子中,我使用了一小部分功能。我开始使用全套功能。我也改变了子集,折叠次数和重复次数无济于事。我知道没有数据就很难追查问题。我有shared一小部分数据(以下面使用的r对象格式)。如果您无法从中获取文件,请尝试link

它总是会产生这个错误:

  

{:任务1失败 - “替换长度为零”

错误
caretFeatureSelection <- function() {
  library(caret)
  library(mlbench)
  library(Hmisc)

  set.seed(10)

  lr.features = c("f2", f271","f527","f528","f404", "f376", "f67",  "f670", "f281", "f333", "f13",  "f282", "f599",
                  "f597", "f68",  "f629", "f378", "f230", "f229", "f273", "f768", "f406", "f630", 
                  "f596", "f598", "f413", "f412", "f332", "f377", "f766", "f767", "f775", "f10", "f442")

  trainDF <- readRDS(file='trainDF.rds')
  trainDF <- trainDF[trainDF$loss>0,]
  trainDF$lossProb <- trainDF$loss/100
  y <- trainDF[,'lossProb']
  x <- trainDF[,names(trainDF) %in% lr.features]

  rm(trainDF)

  subsets <- c(1:5, 10, 15, 20, 25)
  ctrl <- rfeControl(functions = lrFuncs,
                   method = "repeatedcv",
                   repeats = 1,
                   number=5)

  lrProfile <- rfe(x, y,
                 sizes = subsets,
                 rfeControl = ctrl)

  lrProfile
}

1 个答案:

答案 0 :(得分:4)

因此,查看数据,失败有三个原因。首先,

> str(x)
'data.frame':   100 obs. of  34 variables:
 $ f2  : Factor w/ 10 levels "1","2","3","4",..: 8 8 8 8 9 8 9 9 7 8 ...
<snip>

rfelm模型拟合到这些数据,并生成39个系数,即使数据框x有34列也是如此。结果,rfe变得困惑。在运行model.matrix之前,请尝试使用rfe将因子转换为虚拟变量:

x2 <- model.matrix(~., data = x)[,-1]  ## the -1 removes the intercept column

......但......

> table(x$f2)

 1  2  3  4  6  7  8  9 10 11 
 0  0  0  2  2  5 32 36 23  0 

所以model.matrix会产生一些零方差预测因子(这是一个问题)。您可以使用排除空白级别的新级别创建一个新因子,但请记住,对这些数据的任何重新采样都会将某些因子级别(例如“4”,“6”)强制转换为零方差预测变量。

其次,一些预测因子之间存在完美的相关性:

> cor(x$f597, x$f599)
     [,1]
[1,]    1

这将导致某些模型系数的NA值,并导致丢失变量重要性,并将显示rfe

除非您使用的树或其他模型能够容忍稀疏和/或相关预测变量,否则rfe之前的可能工作流程可能是:

> x2 <- model.matrix(~., data = x)[,-1]
> 
> nzv <- nearZeroVar(x2)
> x3 <- x2[, -nzv]
> 
> corr_mat <- cor(x3)
> too_high <- findCorrelation(corr_mat, cutoff = .9)
> x4 <- x3[, -too_high]
> 
> c(ncol(x2), ncol(x3), ncol(x4))
[1] 42 37 27

最后,根据y的外观,您希望预测一个数字,但lrFuncs用于逻辑回归,因此我认为它是lmFuncs的拼写错误。如果是这种情况,rfe可以正常工作:

> subsets <- c(1:5, 10, 15, 20, 25)
> ctrl <- rfeControl(functions = lmFuncs,
+                    method = "repeatedcv",
+                    repeats = 1,
+                    number=5)
> set.seed(1)
> lrProfile <- rfe(as.data.frame(x4), y,
+                  sizes = subsets,
+                  rfeControl = ctrl)

最高