caret包应用之二：特征选择

在进行数据挖掘时，我们并不需要将所有的自变量用来建模，而是从中选择若干最重要的变量，这称为特征选择（feature selection）。一种算法就是后向选择，即先将所有的变量都包括在模型中，然后计算其效能（如误差、预测精度）和变量重要排序，然后保留最重要的若干变量，再次计算效能，这样反复迭代，找出合适的自变量数目。这种算法的一个缺点在于可能会存在过度拟合，所以需要在此算法外再套上一个样本划分的循环。在caret包中的rfe命令可以完成这项任务。


首先定义几个整数，程序必须测试这些数目的自变量.

subsets = c(20,30,40,50,60,70,80)

然后定义控制参数，functions是确定用什么样的模型进行自变量排序，本例选择的模型是随机森林即rfFuncs，可以选择的还有lmFuncs（线性回归），nbFuncs（朴素贝叶斯），treebagFuncs（装袋决策树），caretFuncs（自定义的训练模型）。
method是确定用什么样的抽样方法，本例使用cv即交叉检验, 还有提升boot以及留一交叉检验LOOCV

ctrl= rfeControl(functions = rfFuncs, method = "cv",verbose = FALSE, returnResamp = "final")

最后使用rfe命令进行特征选择，计算量很大，这得花点时间

Profile = rfe(newdata3, mdrrClass, sizes = subsets, rfeControl = ctrl)

观察结果选择50个自变量时，其预测精度最高

print(Profile)

Variables Accuracy Kappa AccuracySD KappaSD Selected

        20   0.8200 0.6285    0.04072 0.08550         
        30   0.8200 0.6294    0.04868 0.10102         
        40   0.8295 0.6487    0.03608 0.07359         
        50   0.8313 0.6526    0.04257 0.08744        *
        60   0.8277 0.6447    0.03477 0.07199         
        70   0.8276 0.6449    0.04074 0.08353         
        80   0.8275 0.6449    0.03991 0.08173         
        94   0.8313 0.6529    0.03899 0.08006

用图形也可以观察到同样结果

plot(Profile)

下面的命令则可以返回最终保留的自变量

Profile$optVariables