Question

我遇到了对数据集进行分类的问题。

数据集是一个矩阵，其中行是观察值，列是特征。每个特征值介于0-1之间。数据集用于训练目的，并且由于我将要使用的方法对小变化敏感，因此数据集必须格式化为不敏感。

我的想法是，不是提供原始数据，而是根据数值将特征值分类到分档中，并提供中间值作为培训的训练数据。

实施例。箱子是（1-2,2-3,3-4,4-5,5-6,6-7,7-8,8-9,9-10）

dataset #original dataset
>         [,1] [,2] [,3] [,4] [,5]
[1,]    8.1    5.3   10    4.4    4.6
[2,]    5.2   10    3.2    9.3    3.5
[3,]    7.3    1.6    9    8.9    8.4
[4,]    6.4    2.8    8    6.5    9.3
[5,]   10    4.3    2.2    1.1    5.3

transformed_dataset #binned dataset


>         [,1] [,2] [,3] [,4] [,5]
[1,]    8.5    5.5   9.5   4.5    4.5
[2,]    5.5   9.5   3.5    9.5   3.5
[3,]    7.5    1.5   8.5    8.5    8.5
[4,]    6.5    2.5   8.5    6.5    9.5
[5,]    9.5    4.5  2.5    1.5    5.5

我不确定如何将这样的数据分类，并将其作为来自naiveBayes的{{1}}的输入。我知道library("lattice")能够将值四舍五入到给定的数字位数，从而“＃34; bining it＆＃34;”但我实际上无法确定二进制数。

Binning似乎是一种改进分类的方法。但是如何提供它作为输入，我不确定。

有关data.frame的更新

我想我忘了提及它，但数据存储在signif中，我访问数据的方式是$ data。 data.frame都为每个观察提供标签，可以通过$ labels访问。

Answer 1

嗯。这里的数据类型可能有些问题，因为matrix类不适用于因子 - 并且分箱间隔最好用因子来描述。

为了进行分箱，您可以使用基本R安装中的cut功能，例如：

> data <- c(1,2,4,1,5,3,3,5,2,2,5,5,5,7,8,9,5,3,2,6,8,9,3,1)
> breaks <- c(0, 3, 6, 9)
> cut(data, breaks=breaks)
 [1] (0,3] (0,3] (3,6] (0,3] (3,6] (0,3] (0,3] (3,6] (0,3] (0,3] (3,6] (3,6]
 [13] (3,6] (6,9] (6,9] (6,9] (3,6] (0,3] (0,3] (3,6] (6,9] (6,9] (0,3] (0,3]
 Levels: (0,3] (3,6] (6,9]

或者，使用左侧间隔：

> cut(data, breaks=breaks, right=FALSE)
 [1] [0,3) [0,3) [3,6) [0,3) [3,6) [3,6) [3,6) [3,6) [0,3) [0,3) [3,6) [3,6)
[13] [3,6) [6,9) [6,9) <NA>  [3,6) [3,6) [0,3) [6,9) [6,9) <NA>  [3,6) [0,3)
Levels: [0,3) [3,6) [6,9)

请注意，您提供的中断应涵盖整个数据集，否则您将获得一些NA。

Answer 2

一个简单的解决方案可能是这样的：

d <- matrix(c(8.1, 5.3, 10, 4.4, 4.6,
              5.2, 10, 3.2, 9.3, 3.5,
              7.3, 1.6, 9, 8.9, 8.4,
              6.4, 2.8, 8, 6.5, 9.3,
              10, 4.3, 2.2, 1.1, 5.3), nrow=5, ncol=5, byrow=TRUE)

d <- as.data.frame(apply(d, 2, function(column) {
  as.factor(round(column+0.5)-0.5)
}))

导致结果：

> d
   V1  V2  V3  V4  V5
1 8.5 5.5 9.5 4.5 4.5
2 5.5 9.5 3.5 9.5 3.5
3 7.5 1.5 9.5 8.5 8.5
4 6.5 2.5 7.5 6.5 9.5
5 9.5 4.5 2.5 1.5 5.5

转换后，数据集的列是因子，这意味着naiveBayes不会将它们视为数字，而是将其视为分类变量。

> class(d[,1])
[1] "factor"
> levels(d[,1])
[1] "5.5" "6.5" "7.5" "8.5" "9.5"

请注意，如果您有任何等于0的值，添加和删除0.5的技巧将失败 - 它会将其分配给级别“0”而不是“0.5”。您可以解决此问题，将此行添加到函数中：

column[which(column == 0)] <- 0.5

希望它有所帮助。

在R中对数据集进行分类

2 个答案: