完整的R语言预测建模实例-从数据清理到建模预测

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：

缺失值的挑战
异常值的挑战
不均衡分布的挑战
(多重)共线性的挑战
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：

设定工作目录
载入需要使用的包
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 datasetvoice_Original <- read_csv("voice.csv",col_names=TRUE)
describe(voice_Original)

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 <- cor(voice_Original[,-c(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 setssample_Index <- createDataPartition(voice_Original$label,p=0.7,list=FALSE)
voice_Train <- voice_Original[sample_Index,]
voice_Test <- voice_Original[-sample_Index,]

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 函数：

### preprocess factors for further modeling
pp <- preProcess(voice_Train,method=c("scale","center","pca"))voice_Train <- predict(pp,voice_Train)voice_Test <- predict(pp,voice_Test)

我们首先将数值型因子进行了标准化，确保所有的因子在一个量纲上，接着对已经标准化的数据进行主成分分析，消除因子中的高相关性。如果我们看一下我们的现在经过处理的数据，就可以看到：

原来的所有数值型因子已经被PC1-PC10取代了。

现在，我们进行一些通用的设置，为不同的模型进行交叉验证比较做好准备。

可以看到随机森林的结果介于上面两个模型之间。但是模型的结果是存在一定的偶然性的，即因为都使用了交叉验证，每个模型都存在抽样的问题，因此结果之间存在一定的偶然性，所以我们需要对模型进行统计意义上的比较。

但是在此之前，我想提一下并行计算的问题，我们在开始建模之前就使用parallel 和doParallel 两个包设置了并行计算的参数，在modelControl中将allowParallel的值设为了TRUE,就可以帮助我们进行交叉验证时进行并行计算，下面这张图可以帮助我们看到差异：

因为原生的R只支持单进程，通过我们的设置，可以将四个核都使用起来，可以大为减少我们的计算时间。

我们最后的一个步骤就是要将三个模型进行比较，确定我们最优的一个模型：

结果从准确率和Kappa值两个方面对数据进行了比较，可以帮助我们了解模型的实际表现，当然我们也可以通过图形展现预测结果：

根据结果，我们可以看到，其实逻辑回归的结果还是比较好的。所以我们可以将逻辑回归的结果作为我们最终使用的模型。