R 中插入符号的训练函数中的中心和比例因子预测器

Question

我在使用 R caret 包的 train 函数的 preProc 参数上遇到问题。我想居中并缩放我的预测变量，但忽略因子列。当我在火车之外进行预处理时，它工作正常，但我希望在火车功能内进行预处理。我是不是错过了什么？

下面是一个示例，其中在训练之外使用 preProcess 时忽略因子预测器。

df <- data.frame(
    score = runif(1000, 80, 110),
    var1 = as.factor(sample(0:1, 1000, replace = TRUE)),
    var2 = runif(1000, 5, 25)
)
preProcess(df[-1], method=c('center','scale'))

Created from 1000 samples and 2 variables

Pre-processing:
  - centered (1)
  - ignored (1)
  - scaled (1)

这是我在火车内使用 preProc 时发生的情况

df <- data.frame(
    score = runif(1000, 80, 110),
    var1 = as.factor(sample(0:1, 1000, replace = TRUE)),
    var2 = runif(1000, 5, 25)
)
mod <- train(score ~., data = df,
             method = "lm",
             preProc = c("center", "scale"))
mod$preProcess

Created from 1000 samples and 2 variables

Pre-processing:
  - centered (2)
  - ignored (0)
  - scaled (2)

提前致谢。

Answer 1

您的调用将被分派到

train.formula

，通过调用函数

model.matrix(Terms, m, contrasts)

，您的数据将转换为矩阵。

由于您的数据现在采用矩阵形式，并且矩阵是原子的，因此值被强制为相同类型。在这种情况下

double

。这还有一个奇怪的副作用，即将

var1

重命名为

var11

，如果您检查

mod$preProcess

输出（例如

mod$preProcess$mean

），您可以看到这一点。不知道为什么会这样，但我认为这与你的问题无关。

看来类信息是在矩阵转换之前捕获的，并最终通过

ptype

元素输出在结果中：

sapply(mod$ptype, class)
     var1      var2 
 "factor" "numeric" 

但是，模型矩阵会传递到

train.default

，然后继续运行

preProcess()

。当到达该步骤时，因子信息已被剥离，并且该变量的类型为

double

。正如您所指出的，

preProcess()

会进行一系列检查，并且仅对数字数据进行评估（数字是指它的类型为“整数”、“数字”或“双精度”），这就是为什么该列被缩放和居中的原因通过

train()

但直接致电

preProcess()

时则不然。

从

?train

的文档中指定：

预处理代码仅在 x 是简单矩阵或数据框时起作用。

我认为这就是他们的意思。调用此参数只是为了“简单”，这意味着所有值都具有相同类型（否则它们最终将被强制）。