码迷,mamicode.com
首页 > Web开发 > 详细

展示如何用R处理稀疏矩阵和利用GLMNET包

时间:2014-12-30 17:05:41      阅读:1054      评论:0      收藏:0      [点我收藏+]

标签:数据   r语言   数据挖掘   机器学习   算法   

展示如何用R处理稀疏矩阵和利用GLMNET包


# 建立简单的some_data.frame
some_dataframe<-read.table("~\some_data.frame.txt",sep="\t",header=T)
some_dataframe
##    c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 outcome
## 1   2  7  0  0  0  0  0  0  0   0       0
## 2   0  0  3  0  0  0  0  0  0   0       0
## 3   0  0  0  6  1  0  0  0  0   0       0
## 4   0  0  0  2  0  0  0  0  0   0       0
## 5   0  0  0  0  0  0  0  0 12   0       1
## 6   0  0  0  0  0 25  0  0  0   0       1
## 7   1  0  0  0  2  0  0  0  0   0       0
## 8   0  0  0  2  0  0  0  0  0   0       0
## 9   0  0  0  0  0  0  0  0 14   0       1
## 10  0  0  0  0  0 21  0  0  0   0       1
## 11  0  0  0  0  0  0 28  0  0   0       1
## 12  0  0  0  0  0  0  0 35  0   0       1
## 13  0  0  0  0  0  0  0  0 42   0       1
## 14  0  0  0  0  0  0  0  0  0  49       1
some_matrix<-data.matrix(some_dataframe)
some_matrix
##       c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 outcome
##  [1,]  2  7  0  0  0  0  0  0  0   0       0
##  [2,]  0  0  3  0  0  0  0  0  0   0       0
##  [3,]  0  0  0  6  1  0  0  0  0   0       0
##  [4,]  0  0  0  2  0  0  0  0  0   0       0
##  [5,]  0  0  0  0  0  0  0  0 12   0       1
##  [6,]  0  0  0  0  0 25  0  0  0   0       1
##  [7,]  1  0  0  0  2  0  0  0  0   0       0
##  [8,]  0  0  0  2  0  0  0  0  0   0       0
##  [9,]  0  0  0  0  0  0  0  0 14   0       1
## [10,]  0  0  0  0  0 21  0  0  0   0       1
## [11,]  0  0  0  0  0  0 28  0  0   0       1
## [12,]  0  0  0  0  0  0  0 35  0   0       1
## [13,]  0  0  0  0  0  0  0  0 42   0       1
## [14,]  0  0  0  0  0  0  0  0  0  49       1
# 显然,这跟data.frame格式差不多。为了将它转成稀疏矩阵,我们加载Matrix包,利用Matrix函数,将sparse参数设置为TRUE。
library(Matrix)
print(Matrix(some_matrix,sparse=T))
## 14 x 11 sparse Matrix of class "dgCMatrix"
##    [[ suppressing 11 column names ‘c1‘, ‘c2‘, ‘c3‘ ... ]]
##                                 
##  [1,] 2 7 . . .  .  .  .  .  . .
##  [2,] . . 3 . .  .  .  .  .  . .
##  [3,] . . . 6 1  .  .  .  .  . .
##  [4,] . . . 2 .  .  .  .  .  . .
##  [5,] . . . . .  .  .  . 12  . 1
##  [6,] . . . . . 25  .  .  .  . 1
##  [7,] 1 . . . 2  .  .  .  .  . .
##  [8,] . . . 2 .  .  .  .  .  . .
##  [9,] . . . . .  .  .  . 14  . 1
## [10,] . . . . . 21  .  .  .  . 1
## [11,] . . . . .  . 28  .  .  . 1
## [12,] . . . . .  .  . 35  .  . 1
## [13,] . . . . .  .  .  . 42  . 1
## [14,] . . . . .  .  .  .  . 49 1
# 在这里,它只保留了非零值。
接下来,让我们将data.frame数据分成两份:2/3做为训练集,1/3做为测试集。


set.seed(2)
split<-sample(nrow(some_dataframe),floor(0.7*nrow(some_dataframe)))
train<-some_dataframe[split,]
test<-some_dataframe[-split,]
train
##    c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 outcome
## 3   0  0  0  6  1  0  0  0  0   0       0
## 10  0  0  0  0  0 21  0  0  0   0       1
## 7   1  0  0  0  2  0  0  0  0   0       0
## 2   0  0  3  0  0  0  0  0  0   0       0
## 13  0  0  0  0  0  0  0  0 42   0       1
## 9   0  0  0  0  0  0  0  0 14   0       1
## 11  0  0  0  0  0  0 28  0  0   0       1
## 6   0  0  0  0  0 25  0  0  0   0       1
## 14  0  0  0  0  0  0  0  0  0  49       1
test
##    c1 c2 c3 c4 c5 c6 c7 c8 c9 c10 outcome
## 1   2  7  0  0  0  0  0  0  0   0       0
## 4   0  0  0  2  0  0  0  0  0   0       0
## 5   0  0  0  0  0  0  0  0 12   0       1
## 8   0  0  0  2  0  0  0  0  0   0       0
## 12  0  0  0  0  0  0  0 35  0   0       1
# 然后,我们用sparse.model.matrix函数创建稀疏矩阵
train_sparse<-sparse.model.matrix(~.,train[1:10])
test_sparse<-sparse.model.matrix(~.,test[1:10])
train_sparse
## 9 x 11 sparse Matrix of class "dgCMatrix"
##    [[ suppressing 11 column names ‘(Intercept)‘, ‘c1‘, ‘c2‘ ... ]]
##                             
## 3  1 . . . 6 1  .  . .  .  .
## 10 1 . . . . . 21  . .  .  .
## 7  1 1 . . . 2  .  . .  .  .
## 2  1 . . 3 . .  .  . .  .  .
## 13 1 . . . . .  .  . . 42  .
## 9  1 . . . . .  .  . . 14  .
## 11 1 . . . . .  . 28 .  .  .
## 6  1 . . . . . 25  . .  .  .
## 14 1 . . . . .  .  . .  . 49
test_sparse
## 5 x 11 sparse Matrix of class "dgCMatrix"
##    [[ suppressing 11 column names ‘(Intercept)‘, ‘c1‘, ‘c2‘ ... ]]
##                           
## 1  1 2 7 . . . . .  .  . .
## 4  1 . . . 2 . . .  .  . .
## 5  1 . . . . . . .  . 12 .
## 8  1 . . . 2 . . .  .  . .
## 12 1 . . . . . . . 35  . .
library(glmnet)
## Loaded glmnet 1.9-8
fit<-glmnet(train_sparse,train[,11])
pred<-predict(fit,test_sparse,test[,11],type="class")
print(head(pred[,1:5]))
##         1      2      3      4      5
## 1  0.9898 0.9898 0.6667 0.9898 0.6667
## 4  0.8306 0.8306 0.6667 0.8306 0.6667
## 5  0.9898 0.9898 0.6667 0.9898 0.6667
## 8  0.8306 0.8306 0.6667 0.8306 0.6667
## 12 0.9898 0.9898 0.6667 0.9898 0.6667
# 利用cv.glmnet找出最好的lambda/penalty
cv<-cv.glmnet(train_sparse,train[,11],nfolds=3)
pred<-predict(fit,test_sparse,type="response",s=cv$lambda.min)
print(names(cv))
##  [1] "lambda"     "cvm"        "cvsd"       "cvup"       "cvlo"      
##  [6] "nzero"      "name"       "glmnet.fit" "lambda.min" "lambda.1se"
print(pred)
##         1
## 1  0.9898
## 4  0.8306
## 5  0.9898
## 8  0.8306
## 12 0.9898
# receiver operating characteristic (ROC curves)
library(pROC)
## Type ‘citation("pROC")‘ for a citation.
## 
## Attaching package: ‘pROC‘
## 
## 下列对象被屏蔽了from ‘package:glmnet‘:
## 
##     auc
## 
## 下列对象被屏蔽了from ‘package:stats‘:
## 
##     cov, smooth, var
auc<-roc(test[,11],pred)
print(auc$auc)
## Area under the curve: 0.833
# how does sparse deal with categorical data (adding mood feature with two levels)?
cat_dataframe<-data.frame(some_dataframe,
                          mood=c("happy","happy","happy","happy","sad","sad","happy","happy",
                                "sad","sad","sad","sad","sad","sad"))
cat_dataframe<-cat_dataframe[,c(colnames(cat_dataframe)[1:10],"mood","outcome")]
sparse.model.matrix(~.,cat_dataframe)
## 14 x 13 sparse Matrix of class "dgCMatrix"
##    [[ suppressing 13 column names ‘(Intercept)‘, ‘c1‘, ‘c2‘ ... ]]
##                                  
## 1  1 2 7 . . .  .  .  .  .  . . .
## 2  1 . . 3 . .  .  .  .  .  . . .
## 3  1 . . . 6 1  .  .  .  .  . . .
## 4  1 . . . 2 .  .  .  .  .  . . .
## 5  1 . . . . .  .  .  . 12  . 1 1
## 6  1 . . . . . 25  .  .  .  . 1 1
## 7  1 1 . . . 2  .  .  .  .  . . .
## 8  1 . . . 2 .  .  .  .  .  . . .
## 9  1 . . . . .  .  .  . 14  . 1 1
## 10 1 . . . . . 21  .  .  .  . 1 1
## 11 1 . . . . .  . 28  .  .  . 1 1
## 12 1 . . . . .  .  . 35  .  . 1 1
## 13 1 . . . . .  .  .  . 42  . 1 1
## 14 1 . . . . .  .  .  .  . 49 1 1
print(levels(cat_dataframe$mood))
## [1] "happy" "sad"
dim(cat_dataframe)
## [1] 14 12
dim(sparse.model.matrix(~.,cat_dataframe))
## [1] 14 13

展示如何用R处理稀疏矩阵和利用GLMNET包

标签:数据   r语言   数据挖掘   机器学习   算法   

原文地址:http://blog.csdn.net/jiabiao1602/article/details/42268385

(0)
(1)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!