Question

我有一个数据集，我使用model.matrix()函数将因子变量转换为虚拟变量。我的数据有10列，每个都有3个级别（2,3,4），我一直在为每个列分别创建虚拟变量。

xFormData <- function(dataset){
    mm0 <- model.matrix(~ factor(dataset$type) , data=dataset)
    mm1 <- model.matrix(~ factor(dataset$type_last1), data = dataset)
    mm2 <- model.matrix(~ factor(dataset$type_last2), data = dataset)
    mm3 <- model.matrix(~ factor(dataset$type_last3), data = dataset)
    mm4 <- model.matrix(~ factor(dataset$type_last4), data = dataset)
    mm5 <- model.matrix(~ factor(dataset$type_last5), data = dataset)
    mm6 <- model.matrix(~ factor(dataset$type_last6), data = dataset)
    mm7 <- model.matrix(~ factor(dataset$type_last7), data = dataset)
    mm8 <- model.matrix(~ factor(dataset$type_last8), data = dataset)
    mm9 <- model.matrix(~ factor(dataset$type_last9), data = dataset)
    mm10 <- model.matrix(~ factor(dataset$type_last10), data = dataset)

    dataset <- cbind(dataset, mm0, mm1, mm2, mm3, mm4, mm5, mm6, mm7, mm8, mm9, mm10)

dataset
}

我想知道这是否是错误的过程，因为在对数据运行randomForest并绘制变量重要性之后，它分别显示了不同的虚拟变量列。因此，列61-63是第10列的3个虚拟变量，randomForest将第62列视为重要的预测变量。

我有两个问题：

1）这可以吗？

2）如果没有，我如何对虚拟变量进行分组，以便rf知道它们在一起？

Answer 1

这没关系，如果你把这些因素作为因素，那么无论如何都会在幕后发生。对于大多数机器学习目的，不同级别的因子是不同的特征。想想像test outcome ~ school这样的随机例子：也许上学A可以预测你是否通过考试，但不是学校B或学校C.然后，学校的A功能会有用，但不是其他

其中一个caret小插图文档涵盖了这一点：http://cran.r-project.org/web/packages/caret/vignettes/caretMisc.pdf

此外，cars中包含的caret数据集应该是一个有用的示例。它包含两个因素 - “制造商”和“汽车类型” - 已经虚拟编码为一系列数字功能，用于机器学习目的。

data(cars, package='caret')
head(cars)

R model.matrix设置

1 个答案: