完整的R语言预测建模实例-从数据清理到建模预测

数据挖掘入门与实战  公众号： datadw

本文使用Kaggle上的一个公开数据集，从数据导入，清理整理一直介绍到最后数据多个 算法 建模，交叉验证以及多个预测模型的比较全过程，注重在实际数据建模过程中的实际问题和挑战，主要包括以下五个方面的挑战：

1. 缺失值的挑战

2. 异常值的挑战

3. 不均衡分布的挑战

4. (多重)共线性的挑战

5. 预测因子的量纲差异

以上的几个主要挑战，对于熟悉 机器学习 的人来说，应该都是比较清楚的，这个案例中会涉及到五个挑战中的缺失值，量纲和共线性问题的挑战。

案例数据说明

本案例中的数据可以在下面的网址中下载：
https://www.kaggle.com/primaryobjects/voicegender/downloads/voicegender.zip
下载到本地后解压缩会生成 voice.csv 文件
下面首先大概了解一下我们要用来建模的数据

数据共包含21个变量，最后一个变量label是需要我们进行预测的变量，即性别是男或者女
前面20个变量都是我们的预测因子，每一个都是用来描述声音的量化属性。
下面我们开始我们的具体过程

步骤1：基本准备工作

步骤1主要包含以下三项工作：

1. 设定工作目录

2. 载入需要使用的包

3. 准备好并行计算

步骤2：数据的导入和理解

数据下载解压缩后就是一份名为 ‘voice.csv’ 的文件，我们将csv文件存到我们设定的工作目录之中，就可以导入数据了。

### read in original dataset

voice_Original read_csv("voice.csv",col_names=TRUE)
describe(voice_Original)Hmisc包中的describe 函数是我个人最喜欢的对数据集进行概述，整体上了解数据集的最好的一个函数，运行结果如下：

通过这个函数，我们现在可以对数据集中的每一个变量都有一个整体性把握。
我们可以看出我们共有21个变量，共计3168个观测值。

由于本数据集数据完整，没有缺失值，因而我们实际上并没有缺失值的挑战，但是为了跟实际的数据挖掘过程相匹配，我们会人为将一些数据设置为缺失值，并对这些缺失值进行插补，大家也可以实际看一下我们应用的插补法的效果：

可以看出，我们的插补出来的值和原始值之间的差异是比较小的，可以帮助我们进行下一步的建模工作。

另外一点，我们在实际工作中，我们用到的预测因子中，往往包含数值型和类别型的数据，但是我们数据中全部都是数值型的，所以我们要增加难度，将其中的一个因子转换为类别型数据，具体操作如下：

图形结果如下：

但是我们更关注的是，预测因子之间是不是存在高度的相关性，因为预测因子间的香瓜性对于一些模型，是有不利的影响的。
对于研究预测因子间的相关性， corrplot 包中的corrplot函数提供了很直观的图形方法：

###find correlations between factors
factor_Corr 9,21)])
corrplot(factor_Corr,method="number")

步骤3：数据分配与建模

在实际建模过程中，我们不会将所有的数据全部用来进行训练模型，因为相比较模型数据集在训练中的表现，我们更关注模型在训练集，也就是我们的模型没有遇到的数据中的预测表现。
因此，我们将我们的数据集的70%的数据用来训练模型，剩余的30%用来检验模型预测的结果。

### separate dataset into training and testing sets
sample_Index $label,p=0.7,list=FALSE)
voice_Train 

但是我们还没有解决之前我们发现的一些问题，数据的量纲实际上是不一样的，另外某些因子间存在高度的相关性，这对我们的建模是不利的，因此我们需要进行一些预处理，我们又需要用到 preProcess