在R中进行数据分析所需的最佳系统配置是什么

Question

原始数据集约为75万行，包含7个变量。经过一些基本的特征工程，它变成了81个int变量。为了便于在初始阶段进行操作，我选择使用下面的脚本

将0.01％作为我的训练集

sub <- sample(nrow(d), floor(nrow(d) * 0.01))
train <- d[sub, ]
test <- d[-sub, ]

构建初始模型试图在此训练数据集上进行降维/ PCA。

require(leaps)
require(MASS)

initialBasicSubSet <- regsubsets(myVariable ~ ., data = train, nvmax = 25, really.big=T)

问题是这段代码似乎永远存在。截至目前，它已运行超过9小时！因为我对R＆amp; amp;数据分析想知道这是否是异常的（考虑到只有约7000条记录，其中有81个int变量）？

以下是我的笔记本电脑的配置，并希望了解使用R进行数据分析的人是否满足，或者是否应该升级到其他任何特定配置？

系统配置：

HP Pavilion dv6 Notebook PC
Intel(R) Core(TM) i7-2670QM CPU @ 2.20GHz
8 GB RAM
64 bit OS - Windows 7 Home Premium

Answer 1

您的计算机配置不是问题。

据我所知，您已选择（因为默认参数为method="exhaustive"）对81个可能变量的所有25个变量子集进行穷举评估，这样您就可以这很多模型要评估：

choose(81,25)  ## [1] 5.25652e+20

如果您可以每秒评估1000个型号，则需要

log10(choose(81,25)/(365*24*3600*1000))  ## 10.22 ...

大约需要10 ^ 10年才能完成。

您可以尝试method="forward"之类的内容。或者，我对glmulti包有好运：

  

自动模型选择和模型平均。                         为glm和其他函数提供包装器，                         自动生成所有可能的模型                         （在用户设置的约束下）用                         指定的响应和解释变量，以及                         找到一些最好的模型                         信息标准（AIC，AICc或BIC）。能够                         处理非常多的候选模型。                         使用遗传算法找到最佳                         模型时详尽的筛选                         候选人不可行。

或者使用PCA，glmnet包，或随机森林，或......