【读书笔记】Data_Mining_with_R---Chapter_2_Predicting Algae Blooms-阿里云开发者社区

本书概要

《Data Mining with R》这本书通过实例，并结合R讲解数据挖掘技术。本书的核心理念就是“Learning it by doing”。本书分5章，第一章介绍R和MySql的基本知识，后面4章分别结合4个案例进行讲解。最精刚刚看完第二章，觉得还是学习了一些新的东西，在这里记录一下，作为备忘。

本章背景

藻类的过渡繁殖会破坏河流生态。希望找到一种办法对河流内的藻类生长情况进行预测。在生物化学领域，很容易测量河流中的化学物质，但是生物测量的成本很高，比如观察每立方米藻类数量，需要受过训练的人员测定，而且效率低。所以，希望找到一种方法通过河流中的化学元素预测藻类含量。同时还可以更好的了解哪些化学元素主要影响藻类的生长。

数据描述

数据可以从本书的R包（DMwR）中下载，该包可以通过下面的R命令直接安装：

> install.packages(“DMwR”)

加载库和本案例的数据可以用下面的代码

> library(“DMwR”)

> data(algae)

数据格式如下，主要有3个名词变量，描述观测季节，河流大小和河流速度；8个数值变量，分别记录8中不同化学物质的含量；需要预测7种藻类的含量。实验数据有200条记录，其中有些记录的部分数据有缺失。加载完数据后，可以用如下命令查看数据，

> head(algae)

虽然有7个变量需要预测，其实可以理解为对一个变量进行回归预测，然后复用到其他6个变量中，只是每个变量的模型可能不同。

数据可视化

验证正太分布

看看mxPH的值，有点类似正太分布，

plot(algae$mxPH,prob=T)

prob=T参数用于将纵坐标转成比例，那么就可以在这个图上直接绘制正态分布的概率函数了。

lines(density(algae$mxPH, na.rm=T))

看起来的确符合正太分布，但是这样还是不太有把握，好在可以使用car包中的qq-plot[1][2]图来观察符合的情况。

library(car)

qq.plot(algae$mxPH, main = ‘Normal QQ plot of maximum PH’)

如果mxPH符合正太分布，那么数据点应该落在实现上，虚线是95%的置信区间，也就是落在虚线内的点有95%可能属于正太分布。那么，从上述图中可以看出，除了较低的数据不在虚线范围内，大多数数据落在95%的置信区间的范围内，所以可以认为符合正太分布（用上述方法观察其他变量，可以发现基本上都不符合正太分布）。

分类绘图

使用lattce库（一个R的可视化包），可以将不同数据按照指定类型分类，然后绘制图形，如下所示，可以根据season变量，绘制不同的mxPH的直方图，

> algae$season <- factor(algae$season,levels = c('spring','summer','autumn','winter'))

> histogram(~mxPH | season, data = algae)

lattce还可以绘制交叉属性图，

> histogram(~mxPH|season*size,algae)

多为度散点图可以通过下面的命令

> stripplot(size ~ mxPH | speed, data = algae, jitter = T,pch = 19)

jitter参数用于添加轻微的颤抖，避免数据重合。

NA数据处理

原始数据不可避免的会有NA（Not Avaliable）数据，处理NA数据有一下几个基本原则：

1. 去掉带有NA数据的记录

2. 通过变量（列）之间的关系，计算NA数据

3. 通过记录（行）之间的关系，计算NA数据，如KNN

4. 使用可以处理NA数据的模型（有些模型可以容忍NA，有些不能）

统计方法填充NA

符合正太分布的数据如（mxPH）,可以使用平均值来填补NA数据，因为这些数据都均匀的分布在平均值左右。但是如何是倾斜太大（如OP4）或是有异类值（非常大的值），采用中位数更好，因为此时平均值已经不能很好的描述总体了。

变量关联填充NA

如果变量之间存在一定的关联，那么可以通过此联系计算出NA值。R中提供了一个很方便的函数cor查看所有变量之间的相关系数[3]，如下：

> symnum(cor(algae[,4:18],use = “complete.obs”))

生成如下数据

可以看到，“*”表示两个变量的相关度达到0.9（相关度处于-1到1之间，绝对值越大，越相关），use = “complete.obs”类似na.rm = T。从领域专家那里，也可以得知oPO4和PO4的含量是相关的。接下来就可以使用线性回归[4]计算缺失值。

相似性填充NA

如果变量之间没有显著的相似性，那么上述方法没有多大作用。这时可以使用记录之间的相似性填充NA，一般使用KNN[5](K Nearest Neighbor)。R中的impitation和impute两个包具有类似函数，DMwR包中也提供类似函数knnImputation。

多元线性回归

线性回归模型无法接受NA数据，所以需要先用前面将的方法填充NA。线性模型可以使用lm函数获得，这里略去。接下来讨论一下如何评估模型的好坏。

一般会看每个计算出来的系数的假设检验结果。lm计算出的结果会对每个参数计算假设检验，原始假设：H0: β=0。检测结果是Pr(>|t|)这一类对应的值（采用t分布测试，变量是系数与标准差的比例）。一般来讲，0.1以下拒绝原始假设，接受系数不为0。

方差分析可以用来判断变量的重要性，可以通过一步一步的去掉不重要的变量来逐步找到最有效的模型，

上面的方差分析可以看出season的作用最弱，所以可以去掉，采用下面的命令

> lm2.a1 <- update(lm.a1, .~.-season)

> lm2.a1

已经没有season变量了。这样，一步一步的裁剪掉不重要的变量，得到最后的线性模型。但是，R也提供一个便捷的方法，一次性完成上面的操作，如下：

> final.lm <- step(lm.a1)

线性模型有个最直观的判别方法就是R-Squared参数（介于0到1之间），有点类是变量的相关性，但考虑的所有变量。一般来讲，如果这个值小于0.5，说明线性模型不适合这个问题。

rpart决策树

决策树计算回归时，纯度是用deviance（节点内每个记录值与均值的差的平方和）描述。这个值越小，说明越纯。

控制树的创建结束有三个参数

1. cp,当前节点deviance与两个子节点deviance之和的差的比例，如果分裂前后deviance之差越大，那么说明切分的越好

2. minsplit，分裂后节点的小于此阀值后就不再分裂

3. maxdepth,书的最大深度

rpart包提供printcp，用于辅助评估最佳的切分cp，可以看看输出结果：

rpart函数在构建树时尝试用不同的cp值构建的不同大小的数（nsplit），并用K Folder交叉检验评估了不同树的相对错误率（xerror）和方差(xstd)。可以直接通过最小xerror来选择最优树，这里选择3号。也可以使用X-SE的方法，这里定X=1，也就是1-SE（1个标准差）。那么3号树的1-SE = 0.67019+0.11215 = 0.784037，选择xerror比这个值小且具有最少分割点的树，也就是2号树（nsplit = 1）,作为最终的树，最后，用下面的命令给树截肢：

> rt2.a1 <- prunt(rt.a1, cp = 0.072)

得到的树如下：