Question

我有一个名为Data的数据集，具有30个缩放和居中特征，以及1个结果，其列名为OUTCOME，涉及70万条记录，以data.table格式存储。我计算了它的PCA，并观察到它的前8个成分占方差的95％。我想在h2o中训练一个随机森林，所以我要这样做：

Data.pca=prcomp(Data,retx=TRUE) # compute the PCA of Data
Data.rotated=as.data.table(Data.pca$x)[,c(1:8)] # keep only first 8 components
Data.dump=cbind(Data.rotated,subset(Data,select=c(OUTCOME))) # PCA dataset plus outcomes for training

这样，我有了一个数据集Data.dump，其中有8个在PCA组件上旋转的特征，并且在每条记录中我都将其结果关联了。

第一个问题：这合理吗？还是我必须以某种方式置换结果向量？还是两件事无关？

然后，我将Data.dump分为两组，Data.train用于训练，Data.test用于测试，全部as.h2o。我将它们喂入一个随机森林：

rf=h2o.randomForest(training_frame=Data.train,x=1:8,y=9,stopping_rounds=2,
                    ntrees=200,score_each_iteration=T,seed=1000000)
rf.pred=as.data.table(h2o.predict(rf,Data.test))

发生的事情是，rf.pred似乎与原始结果Data.test$OUTCOME不太相似。我也尝试训练神经网络，甚至没有收敛，导致R崩溃。

第二个问题：是因为我在进行PCA治疗时犯了一些错误吗？还是因为我错误地建立了随机森林？还是我正在处理令人讨厌的数据？

我不知道从哪里开始，因为我是数据科学的新手，但是工作流程对我来说似乎是正确的。

非常感谢。

Answer 1

第二个问题的答案（即“是数据还是我做错了事”）很难知道。这就是为什么您应该始终首先尝试创建基准模型的原因，因此您对数据的易学性有了一个认识。

基线可以是h2o.glm()，和/或基线可以是h2o.randomForest()，但是任一种方式都不需要PCA步骤。（您没有说是否要进行回归或分类，即OUTCOME是一个数字还是一个因子，但是glm和random forest都可以使用。）

第一个问题：是的，这是一件合理的事情，没有，您不必（实际上不应该）涉及结果向量。

回答第一个问题的另一种方法是：不，这是不合理的。可能是随机森林可以查看所有关系本身，而无需使用PCA。请记住，当您使用PCA减少输入尺寸的数量时，您也会丢掉一些信号。您说这8个成分仅捕获了95％的方差。因此，您会因为输入更少而丢掉一些信号，这意味着您正在以牺牲预测质量为代价来优化复杂性。

顺便说一句，将原始输入和8个PCA组件连接起来是另一种方法：可能通过提供有关数据的提示可以得到更好的模型。（但是您可能没有，这就是为什么在尝试这些更奇特的想法之前，首先需要获得一些基线模型的原因。）

R：使用PCA数据训练随机森林

1 个答案: