当调用插入符号包的 train
函数时,数据会自动转换,以便将所有因子变量转换为一组虚拟变量 .
我该如何防止这种行为?是否有可能说“不要将因素转化为虚拟变量”?
例如:
如果我在 etitanic
数据上运行 rpart
算法:
library(caret)
library(earth)
data(etitanic)
etitanic$survived[etitanic$survived==1] <- 'YES'
etitanic$survived[etitanic$survived!='YES'] <- 'NO'
model<-train(survived~., data=etitanic, method='rpart')
然后生成的最终模型如下:
> model$finalModel
n= 1046
node), split, n, loss, yval, (yprob)
* denotes terminal node
1) root 1046 427 NO (0.5917782 0.4082218)
2) sexmale>=0.5 658 135 NO (0.7948328 0.2051672)
4) age>=9.5 615 110 NO (0.8211382 0.1788618) *
5) age< 9.5 43 18 YES (0.4186047 0.5813953)
10) sibsp>=2.5 16 1 NO (0.9375000 0.0625000) *
11) sibsp< 2.5 27 3 YES (0.1111111 0.8888889) *
3) sexmale< 0.5 388 96 YES (0.2474227 0.7525773) *
如果我直接运行 rpart
算法并构建一棵树,我得到了
> rpart(survived~., data=etitanic)
n= 1046
node), split, n, loss, yval, (yprob)
* denotes terminal node
1) root 1046 427 NO (0.59177820 0.40822180)
2) sex=male 658 135 NO (0.79483283 0.20516717)
4) age>=9.5 615 110 NO (0.82113821 0.17886179) *
5) age< 9.5 43 18 YES (0.41860465 0.58139535)
10) sibsp>=2.5 16 1 NO (0.93750000 0.06250000) *
11) sibsp< 2.5 27 3 YES (0.11111111 0.88888889) *
3) sex=female 388 96 YES (0.24742268 0.75257732)
6) pclass=3rd 152 72 NO (0.52631579 0.47368421)
12) age>=1.5 145 66 NO (0.54482759 0.45517241)
24) sibsp>=1.5 19 4 NO (0.78947368 0.21052632) *
25) sibsp< 1.5 126 62 NO (0.50793651 0.49206349)
50) age>=27.5 44 15 NO (0.65909091 0.34090909) *
51) age< 27.5 82 35 YES (0.42682927 0.57317073) *
13) age< 1.5 7 1 YES (0.14285714 0.85714286) *
7) pclass=1st,2nd 236 16 YES (0.06779661 0.93220339) *
现在,忘记树木不同的部分 . 据我所知,它们是用不同的参数构建的 . 但是,它们也 Build 在 different data sets 上 . 例如,插入符号树构建在一个数据集上,其中一列是"sexmale",这是由原始数据中的 sex
列组成的虚拟列 .
有没有办法告诉 caret
在将数据提供给 rpart
之前不要执行这个虚拟变量创建?
1 回答
为了使插入符与rpart完全相同,我将
trainControl
函数设置为"none",并将使用一个记录的tuneGrid,其cp设置为0.01 . 默认值与rpart
的默认值完全相同 .查看这两个模型,您可以看到,即使插入符号将因子和字符转换为具有默认类作为参考类,树也完全相同,节点中的百分比相同 . 您可以使用partykit包并在模型上使用
as.party()
来获得更好的布局 .但是,如果您希望在不使用因子的情况下使用与rpart完全相同的模型,则可以使用默认的模型使用方法 .