如何进行R语言数据建模流程分析

这篇文章给大家介绍如何进行R语言数据建模流程分析，内容非常详细，感兴趣的小伙伴们可以参考借鉴，希望对大家能有所帮助。

Intro

近期在整理数据分析流程，找到了之前写的一篇代码，分享给大家。这是我上学时候做的一个项目，当时由于经验不足产生了一些问题，这些问题会在之后一点一点给大家讨论，避免各位踩坑。本篇分享会带一些讲解，可能有些地方不够清楚，欢迎留言讨论。

本次除了分享之外也是对自己之前项目的一个复盘。还是使用R语言（毕竟是我钟爱的语言）。Python的如果有需求之后会放别的项目。

本篇中包含了数据导入，清洗，可视化，特征工程，建模的代码，大家可以选择需要的去参考。

项目背景

数据来自Online Shopper’s Intention 包含12,330 条数据, 10个计数型特征和8个类别型特征。 使用‘Revenue’ 作为标签进行建模。最终目的就是根据拿到的这些数据去建立一个可以预测Revenue的模型。

前期准备

首先你要下载一个R语言以及它的舒适版本R studio。怎么下载呢，把我之前文章上的话直接粘过来哈哈

安装R以及Rstudio
如果之前有用过R的朋友请忽略这一段。
安装R非常简单，直接官网下载

之后下载Rstudio，这个相当于R语言的开挂版，界面相比于R来说非常友好，辅助功能也很多，下载地址

#注意Rstudio是基于R语言的，需要下载安装R语言后才可以安装使用。

安装好了后运行以下代码来导入package们。

setwd("~/Desktop/STAT5003/Ass") #选择项目存放的位置，同样这也是你数据csv存放的位置# install.packages("xxx") 如果之前没有装过以下的包，先用这句话来装包，然后再去load# the following packages are for the EDA partlibrary(GGally)library(ggcorrplot)library(psych)library(ggstatsplot)library(ggplot2)library(grid)# the following packages are for the Model partlibrary(MASS)library(Boruta)  # Feature selection with the Boruta algorithmlibrary(caret)library(MLmetrics)library(class)library(neuralnet)library(e1071)library(randomForest)library(keras)

导入的包有些多，keras那个的安装可以参考我之前的文章 （R语言基于Keras的MLP神经网络详解
https://www.yisu.com/article/234031.htm ）

数据描述

首先啊把这个数据下载到你的电脑上，然后用以下代码导入R就可以了。

dataset <- read.csv("online_shoppers_intention.csv")str(dataset)

str（）这个function可以看到你这个数据的属性，输出如下：

此时发现数据格式有int，number，factor等等。为了之后建分析和建模方便，我们先统一数据格式。

dataset$OperatingSystems <- as.factor(dataset$OperatingSystems)dataset$Browser <- as.factor(dataset$Browser)dataset$Region <- as.factor(dataset$Region)dataset$TrafficType <- as.factor(dataset$TrafficType)dataset$Weekend <- as.factor(dataset$Weekend)dataset$Revenue <- as.factor(dataset$Revenue)dataset$Administrative <- as.numeric(dataset$Administrative)dataset$Informational <- as.numeric(dataset$Informational)dataset$ProductRelated <- as.numeric(dataset$ProductRelated)summary(dataset)

现在数据格式基本统一啦，分为factor和numeric，这方便我们之后的操作。因为R里面的一些package（尤其是建模的package）对数据的输入格式有要求，所以提前处理好非常重要。这可以帮助你更好的整理数据以及敲出简洁舒爽的代码。
记住整理好数据格式之后summary（）一下，你可以从这里发现一些数据的小问题。比如下面的这个‘Administrative_Duration ’。

你看这min=-1就离谱，（当然这也是一个小坑）我们知道duration不可能是<0的。但这是我们的主观思维，由于不知道这个数据在采集入数据库的时候是怎么定义的，所以这个-1是为啥我们不会知道原因。这也是为什么我推荐做数据分析的时候要从头开始跟项目，这样你对数据了如指掌，而不是像现在这样只凭主观思想去判断数据对错（虽然大部分时候你的主观思想没啥问题）

以下给一些数据解释，就不翻译了，看或不看都可（但你自己做项目的时候一定一定一定要仔细看）

Variables are described as follows：
Administrative : Administrative Value
Administrative_Duration : Duration in Administrative Page
Informational : Informational Value
Informational_Duration : Duration in Informational Page
ProductRelated : Product Related Value
ProductRelated_Duration : Duration in Product Related Page
BounceRates : Bounce Rates of a web page
ExitRates : Exit rate of a web page
PageValues : Page values of each web page
SpecialDay : Special days like valentine etc
Month : Month of the year
OperatingSystems : Operating system used
Browser : Browser used
Region : Region of the user
TrafficType : Traffic Type
VisitorType : Types of Visitor
Weekend : Weekend or not
Revenue : Revenue will be generated or not

数据清洗

我们在上一部分的summary已经发现了duration有小于0的，因此所有小于0的duration相关的，我们把它变成NA，然后算一下NA率，来判断这些数是给它填补上还是直接删。个人认为如果missing rate很小删了就成。但如果你的数据集本身就不大，那建议你使用填值法填进去。因为数据太少的话就没啥分析的必要。具体多少算少，见仁见智吧，感兴趣的话之后可以写一篇做讨论。

dataset$Administrative_Duration[dataset$Administrative_Duration < 0] = NAdataset$Informational_Duration[dataset$Informational_Duration < 0] = NAdataset$ProductRelated_Duration[dataset$ProductRelated_Duration < 0] = NAmissing.rate <- 1 - nrow(na.omit(dataset))/nrow(dataset)paste("missing rate =", missing.rate * 100, "%")

"missing rate = 0.381184103811838 %"还挺小的，所以直接删掉有问题的数据。

dataset <- na.omit(dataset)

然后记得用summary再查一次哦，看看是否删干净了。

预分析及预处理

数值型数据

下面三种分别是箱形图，ggpairs以及相关性矩阵。 箱形图可以用来观察数据整体的分布情况。ggpairs绘制的相关关系图可以查看数据分布和相关性。相关性矩阵专注于看相关系数以及是否相关性是否significant。这几个各有其注重点，根据需要去做就可以。

par(mfrow = c(2, 5)) #让图片以2行5列的形式排列在一张图上boxplot(dataset$Administrative, main = "Administrative")boxplot(dataset$Administrative_Duration, main = "Administrative_Duration")boxplot(dataset$Informational, main = "Informational")boxplot(dataset$Informational_Duration, main = "Informational_Duration")boxplot(dataset$ProductRelated, main = "ProductRelated")boxplot(dataset$ProductRelated_Duration, main = "ProductRelated_Duration")boxplot(dataset$BounceRates, main = "BounceRates")boxplot(dataset$ExitRates, main = "ExitRates")boxplot(dataset$PageValues, main = "PageValues")boxplot(dataset$SpecialDay, main = "SpecialDay")

ggpairs(dataset[, c(1:10)])

corr = cor(dataset[, c(1:10)])p.mat <- cor_pmat(dataset[, c(1:10)], use = "complete", method = "pearson")ggcorrplot(corr, hc.order = TRUE, type = "lower", lab = TRUE, p.mat = p.mat,     insig = "blank")

类别型数据

针对类别型数据我们主要是看他的分布，因此直接画bar plot就成。下面的代码用到了ggplot，是个非常好用的可视化包。grid.newpage()这里主要是为了让这些图片都显示在一张图上，这样把图片导出或是直接在markdown上显示的时候所有图都会显示在一个页面上面，看起来比较美观和舒适。

p1 <- ggplot(dataset, aes(x = SpecialDay)) + geom_bar(fill = "#CF6A1A", colour = "black") +     theme_bw()p2 <- ggplot(dataset, aes(x = Month)) + geom_bar(fill = "#CF6A1A", colour = "black") +     theme_bw()p3 <- ggplot(dataset, aes(x = OperatingSystems)) + geom_bar(fill = "#CF6A1A",     colour = "black") + theme_bw()p4 <- ggplot(dataset, aes(x = Browser)) + geom_bar(fill = "#CF6A1A", colour = "black") +     theme_bw()p5 <- ggplot(dataset, aes(x = Region)) + geom_bar(fill = "#CF6A1A", colour = "black") +     theme_bw()p6 <- ggplot(dataset, aes(x = TrafficType)) + geom_bar(fill = "#CF6A1A", colour = "black") +     theme_bw()p7 <- ggplot(dataset, aes(x = VisitorType)) + geom_bar(fill = "#CF6A1A", colour = "black") +     theme_bw()p8 <- ggplot(dataset, aes(x = Weekend)) + geom_bar(fill = "#CF6A1A", colour = "black") +     theme_bw()p9 <- ggplot(dataset, aes(x = Revenue)) + geom_bar(fill = "#CF6A1A", colour = "black") +     theme_bw()grid.newpage()pushViewport(viewport(layout = grid.layout(4, 3, heights = unit(c(1, 3, 3, 3),     "null"))))grid.text("Bar Plot of All Categorical Feature", vp = viewport(layout.pos.row = 1,     layout.pos.col = 1:3))vplayout = function(x, y) viewport(layout.pos.row = x, layout.pos.col = y)print(p1, vp = vplayout(2, 1))print(p2, vp = vplayout(2, 2))print(p3, vp = vplayout(2, 3))print(p4, vp = vplayout(3, 1))print(p5, vp = vplayout(3, 2))print(p6, vp = vplayout(3, 3))print(p7, vp = vplayout(4, 1))print(p8, vp = vplayout(4, 2))print(p9, vp = vplayout(4, 3))

我们可以看到，数据还是比较偏。我们想要预测的revenue也是非常imbalance（标签中的false与true占比不均衡）。因此在处理数据或是选择模型的时候要注意这一点。这里不作详细讨论。针对imbalance data应该是有很多可以说的东西。之后有空的话可以细聊~

其实到目前为止，作为一个普通的项目来说，预分析可以结束了，我们查看了所有数据的分布，并且对现有的数据有了一些直观的印象。但我们不能满足于此，因此对每一个类别型变量再做一次更细致的分析。

首先看一下这个 Special Day 。原数据里给的这个special day给的是0，0.2，0.4这种数值，代表的是距离节日当天的日子，比如1就是节日当天，0.2是节日的前几天（我记得大概是这样）但这种就比较迷惑，我不知道这个具体是咋划分的（这也是为啥希望大家对你所研究的项目有非常深入的了解，你如果对此很了解，那么很多分析的步骤是可以省略的），所以只能让数据告诉我，special day应该如何存在于我们之后的模型中。

special_day_check <- dataset[, c(10, 18)]special_day_check$Revenue <- ifelse(special_day_check$Revenue == "FALSE", 0,     1)special_day_check$SpecialDay[special_day_check$SpecialDay == 0] = NAspecial_day_check <- na.omit(special_day_check)special_day_glm <- glm(Revenue ~ SpecialDay, data = special_day_check, family = binomial(link = "logit"))summary(special_day_glm)## ## Call:## glm(formula = Revenue ~ SpecialDay, family = binomial(link = "logit"), ##     data = special_day_check)## ## Deviance Residuals: ##     Min       1Q   Median       3Q      Max  ## -0.3961  -0.3756  -0.3560  -0.3374   2.4491  ## ## Coefficients:##             Estimate Std. Error z value Pr(>|z|)    ## (Intercept)  -2.3954     0.2986  -8.021 1.05e-15 ***## SpecialDay   -0.5524     0.4764  -1.159    0.246    ## ---## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## ## (Dispersion parameter for binomial family taken to be 1)## ##     Null deviance: 578.11  on 1247  degrees of freedom## Residual deviance: 576.77  on 1246  degrees of freedom## AIC: 580.77## ## Number of Fisher Scoring iterations: 5

首先，我们要检查的是special day 是否应该是一个数值变量。因此，建立一个glm模型（revenue = a+b*special_day)，发现special day的p值=0.246（>0.05），因此可以数值型的认为“SpecialDay”不对revenue有显著的影响，因此specialday可以被当作类别型变量。

现在我们把它当作类别型变量分析一下。用ggbarstats这个function。ggstatsplot是ggplot2包的扩展，主要用于创建美观的图片同时自动输出统计学分析结果，其统计学分析结果包含统计分析的详细信息，该包对于经常需要做统计分析的科研工作者来说非常有用。

ggbarstats(data = dataset, main = Revenue, condition = SpecialDay, sampling.plan = "jointMulti",     title = "Revenue by Special Days", xlab = "Special Days", perc.k = 0.5,     x.axis.orientation = "slant", ggstatsplot.layer = FALSE, messages = FALSE)

用此函数可以绘制出呈现分类变量的柱状图，图中的上半部分( x P e a r s o n 2 x^2_{Pearson} xPearson2, p p p , V C r a m e r V_{Cramer} VCramer 等)代表传统的统计学方法（Frequentist）的一些统计值，下面的部分( l o g e ( B F 01 ) log_e(BF_{01}) loge(BF01)等)代表贝叶斯（Bayesian）的一些统计值。

在本项目中，我们主要关注p-value，我们发现，p<0.001并且在柱状图上方所有都是***，这代表了非常显著。因此我们可以确定special day就这样作为类别型变量使用。

之后把每一个类别型变量都这样做一下。过程不赘述了，挑一个有代表性的给大家看一下。

我们看一下operating systems的ggbarstats（）。

ggbarstats(data = dataset, main = Revenue, condition = OperatingSystems, sampling.plan = "jointMulti",     title = "Revenue by Different Operating Systems", xlab = "Operating Systems",     perc.k = 0.5, x.axis.orientation = "slant", ggstatsplot.layer = FALSE, messages = FALSE)

我们发现整体的p<0.001但是，因为在子类别的样本少，所以柱状图上面出现了ns。我们知道，如果数据很少，那么该数据便不具有统计价值，因此我们把这些少样本的子类别合并在一起，再看一次。

dataset$OperatingSystems <- as.integer(dataset$OperatingSystems)dataset$OperatingSystems[dataset$OperatingSystems == "5"] <- "other"dataset$OperatingSystems[dataset$OperatingSystems == "6"] <- "other"dataset$OperatingSystems[dataset$OperatingSystems == "7"] <- "other"dataset$OperatingSystems <- as.factor(dataset$OperatingSystems)ggbarstats(data = dataset, main = Revenue, condition = OperatingSystems, sampling.plan = "jointMulti",     title = "Revenue by Different Operating Systems", xlab = "Operating Systems",     perc.k = 0.5, x.axis.orientation = "slant", ggstatsplot.layer = FALSE, messages = FALSE)

现在看起来就比较舒适了，都很显著。
预处理和预分析到此结束。

特征

我们进行特征工程的最终目的就是提升模型的性能，比如你的数据特征很少的话我们需要建立一些二阶、三阶特征来丰富我们的数据。或是特征太多的时候我们需要进行降维处理。这里我没有做太多的特征工程，只是把特征进行了一下基本的筛选，把没有用的特征删掉。这里的逻辑是先用pca看一下可以保留多少特征，再用Boruta算法和stepAIC去选一下。

# PCA Since pca can only use on numeric data, so we use the os[,c(1:9)]pcdata <- os[, c(1:9)]pclable <- ifelse(os$Revenue == "TRUE", "red", "blue")pc <- princomp(os[, c(1:9)], cor = TRUE, scores = TRUE)summary(pc)## Importance of components:##                           Comp.1    Comp.2    Comp.3    Comp.4    Comp.5## Standard deviation     1.8387377 1.2923744 1.0134790 1.0020214 0.9697619## Proportion of Variance 0.3756618 0.1855813 0.1141266 0.1115608 0.1044931## Cumulative Proportion  0.3756618 0.5612431 0.6753697 0.7869305 0.8914236##                            Comp.6     Comp.7    Comp.8      Comp.9## Standard deviation     0.65008195 0.59319914 0.3510795 0.281849096## Proportion of Variance 0.04695628 0.03909836 0.0136952 0.008826546## Cumulative Proportion  0.93837989 0.97747825 0.9911735 1.000000000plot(pc, type = "lines")

从pca里面我们可以发现，保留7个numeric变量就可以有95%以上的方差。因此之后我们可以按着至少7个numeric variable这个标准去保留。

Boruta算法

set.seed(123)boruta.train <- Boruta(Revenue ~ ., data = os, doTrace = 2, maxRuns = 15)print(boruta.train)# Boruta performed 14 iterations in 3.920271 mins.  13 attributes confirmed# important: Administrative, Administrative_Duration, BounceRates, Browser,# ExitRates and 8 more; 1 attributes confirmed unimportant: SpecialDay; 2# tentative attributes left: OperatingSystems, Weekend; so SpecialDay can be# delete when we fit the model. OperatingSystems and Weekend need to check# by other ways.

StepAIC

full.model <- glm(Revenue ~ . - SpecialDay, data = os, family = binomial(link = "logit"))# Backward Stepwise AICstepback <- stepAIC(full.model, direction = "backward", steps = 3)summary(stepback)# OperatingSystems, Weekend are all above the <none>, combine the previous# result by Boruta algorithm, it can be delete when we fit model.  Browser# has the minimum AIC, it can be delete when we fit model.  PCA shows we# should keep 7 numeric variables in the dataset when fit the model, so two# numeric variables should be remove. Informational_Duration and# Administrative has the minimum AIC in numeric variables, so remove these# two variables.

综合上面三个特征选择的方法 SpecialDay, OperatingSystems, Weekend, Browser, Informational_Duration 和 Administrative 应当在建模的时候被移除。有兴趣的可以跑一下上面的代码，由于运行时间有点长，结果就直接码在代码框里了。

建模

现在把用来建模数据整理好，准备建模。

os_modeldata <- os[, -c(1, 4, 10, 11, 12, 16)]# summary(os_modeldata)write.csv(os_modeldata, "os_modeldata.csv")

首先划分训练集和测试集（train 和 test）

set.seed(123)os_modeldata <- read.csv("os_modeldata.csv")os_modeldata <- os_modeldata[, -1]os_modeldata$Revenue <- as.factor(os_modeldata$Revenue)inTrain <- createDataPartition(os_modeldata$Revenue, p = 0.9)[[1]]Train <- os_modeldata[inTrain, ]Test <- os_modeldata[-inTrain, ]

然后把训练集拆成train和val。这里加了个10-cv。有些模型的function可以自己加cv，但由于要用到不同的建模package，为了避免不同package之间划分cv的差异，咱自己建~

add_cv_cohorts <- function(dat, cv_K) {    if (nrow(dat)%%cv_K == 0) {        # if perfectly divisible        dat$cv_cohort <- sample(rep(1:cv_K, each = (nrow(dat)%/%cv_K)))    } else {        # if not perfectly divisible        dat$cv_cohort <- sample(c(rep(1:(nrow(dat)%%cv_K), each = (nrow(dat)%/%cv_K +             1)), rep((nrow(dat)%%cv_K + 1):cv_K, each = (nrow(dat)%/%cv_K))))    }    return(dat)}# add 10-fold CV labels to real estate datatrain_cv <- add_cv_cohorts(Train, 10)# str(train_cv)

首先建一个基准模型，Logistic regression classifer（benchmark model）

train_cv_glm <- train_cvglm.acc <- glm.f1 <- c()train_cv_glm$Revenue <- ifelse(train_cv_glm$Revenue == "TRUE", 1, 0)# str(train_cv_glm)for (i in 1:10) {    # Segement my data by fold using the which() function    indexes <- which(train_cv_glm$cv_cohort == i)    train <- train_cv_glm[-indexes, ]    val <- train_cv_glm[indexes, ]    # Model    glm.model <- glm(Revenue ~ . - cv_cohort, data = train, family = binomial(link = "logit"))    # predict    glm.pred <- predict(glm.model, newdata = val, type = "response")    glm.pred <- ifelse(glm.pred > 0.5, 1, 0)    # evaluate    glm.f1[i] <- F1_Score(val$Revenue, glm.pred, positive = "1")    glm.acc[i] <- sum(glm.pred == val$Revenue)/nrow(val)}# F1 and ACCglm.acc.train <- round(mean(glm.acc), 5) * 100glm.f1.train <- round(mean(glm.f1), 5) * 100# print(glm.cm <- table(glm.pred, val$Revenue))paste("The accuracy by Logistic regression classifier by 10-fold CV in train data is",     glm.acc.train, "%")paste("The F1-score by Logistic regression classifier by 10-fold CV in train data is",     glm.f1.train, "%")# f1 = 0.50331

然后建立我们用来对比的机器学习模型。这里使用网格搜索法调参。

KNN

# since knn() function can't use factor as indenpent variable So re-coding# data, factor to dummy variable)train_cv_knn <- as.data.frame(model.matrix(~., train_cv[, -11]))train_cv_knn$Revenue <- train_cv$Revenuetrain_cv_knn <- train_cv_knn[, -1]# head(train_cv_knn)knn.grid <- expand.grid(k = c(1:30))knn.grid$acc <- knn.grid$f1 <- NAknn.f1 <- knn.acc <- c()for (k in 1:nrow(knn.grid)) {    for (i in 1:10) {        # Segement my data by fold using the which() function        indexes <- which(train_cv_knn$cv_cohort == i)        train <- train_cv_knn[-indexes, ]        val <- train_cv_knn[indexes, ]        # model and predict        knn.pred <- knn(train[, -c(34, 35)], val[, -c(34, 35)], train$Revenue,             k = k)        # evaluate        knn.f1[i] <- F1_Score(val$Revenue, knn.pred, positive = "TRUE")        knn.acc[i] <- sum(knn.pred == val$Revenue)/nrow(val)    }    knn.grid$f1[k] <- mean(knn.f1)    knn.grid$acc[k] <- mean(knn.acc)    print(paste("finished with =", k))}print(knn.cm <- table(knn.pred, val$Revenue))knn.grid[which.max(knn.grid$f1), ]# k = 7, f1=0.5484112, acc=0.885042

SVM

svm.grid <- expand.grid(cost = c(0.1, 1, 10), gamma = seq(0.2, 1, 0.2))svm.grid$acc <- svm.grid$f1 <- NAsvm.f1 <- svm.acc <- c()for (k in 1:nrow(svm.grid)) {    for (i in 1:10) {        # Segement my data by fold using the which() function        indexes <- which(train_cv$cv_cohort == i)        train <- train_cv[-indexes, ]        val <- train_cv[indexes, ]        # model        svm.model <- svm(Revenue ~ ., kernel = "radial", type = "C-classification",             gamma = svm.grid$gamma[k], cost = svm.grid$cost[k], data = train[,                 -12])        svm.pred <- predict(svm.model, val[, -12])        # evaluate        svm.f1[i] <- F1_Score(val$Revenue, svm.pred, positive = "TRUE")        svm.acc[i] <- sum(svm.pred == val$Revenue)/nrow(val)    }    svm.grid$f1[k] <- mean(svm.f1)    svm.grid$acc[k] <- mean(svm.acc)    print(paste("finished with:", k))}print(svm.cm <- table(svm.pred, val$Revenue))svm.grid[which.max(svm.grid$f1), ]# cost=1, gamma=0.2,f1= 0.5900601,acc= 0.8948096

Random Forest

rf.grid <- expand.grid(nt = seq(100, 500, by = 100), mrty = c(1, 3, 5, 7, 10))rf.grid$acc <- rf.grid$f1 <- NArf.f1 <- rf.acc <- c()for (k in 1:nrow(rf.grid)) {    for (i in 1:10) {        # Segement my data by fold using the which() function        indexes <- which(train_cv$cv_cohort == i)        train <- train_cv[-indexes, ]        val <- train_cv[indexes, ]        # model        rf.model <- randomForest(Revenue ~ ., data = train[, -12], n.trees = rf.grid$nt[k],             mtry = rf.grid$mrty[k])        rf.pred <- predict(rf.model, val[, -12])        # evaluate        rf.f1[i] <- F1_Score(val$Revenue, rf.pred, positive = "TRUE")        rf.acc[i] <- sum(rf.pred == val$Revenue)/nrow(val)    }    rf.grid$f1[k] <- mean(rf.f1)    rf.grid$acc[k] <- mean(rf.acc)    print(paste("finished with:", k))}print(rf.cm <- table(rf.pred, val$Revenue))rf.grid[which.max(rf.grid$f1), ]# nt=200,mtry=3 ,f1 = 0.6330392, acc=0.8960723

Neural Network

nndata <- Trainnndata$Revenue <- ifelse(nndata$Revenue == "TRUE", 1, 0)train_x <- model.matrix(~., nndata[, -11])train_x <- train_x[, -1]train_y <- to_categorical(as.integer(as.matrix(array(nndata[, 11]))), 2)model <- keras_model_sequential()# defining model's layersmodel %>% layer_dense(units = 30, input_shape = 33, activation = "relu") %>%     layer_dense(units = 40, activation = "relu") %>% layer_dropout(rate = 0.4) %>%     layer_dense(units = 60, activation = "relu") %>% layer_dropout(rate = 0.4) %>%     layer_dense(units = 30, activation = "relu") %>% layer_dropout(rate = 0.4) %>%     layer_dense(units = 2, activation = "sigmoid")# defining model's optimizermodel %>% compile(loss = "binary_crossentropy", optimizer = "adam", metrics = c("accuracy"))# Metrics: The performance evaluation module provides a series of functions# for model performance evaluation. We use it to determine when the NN# should stop train. The ultimate measure of performance is F1.# Check which column in train_y is FALSEtable(train_y[, 1])  # the first column is FALSEtable(train_y[, 1])[[2]]/table(train_y[, 1])[[1]]# Define a dictionary with your labels and their associated weightsweight = list(5.5, 1)  # the proportion of FALSE and TURE is about 5.5:1# fitting the model on the training datasetmodel %>% fit(train_x, train_y, epochs = 50, validation_split = 0.2, batch_size = 512,     class_weight = weight)# after epoch = 20, val_loss not descrease and val_acc not increase, so NN# should stop at epoch = 20

模型对比

GLM

glmdata <- Trainglmdata$Revenue <- ifelse(glmdata$Revenue == "TRUE", 1, 0)testglm <- Testtestglm$Revenue <- ifelse(testglm$Revenue == "TRUE", 1, 0)glm.model.f <- glm(Revenue ~ ., data = glmdata, family = binomial(link = "logit"))glm.pred.f <- predict(glm.model.f, newdata = Test, type = "response")glm.pred.f <- ifelse(glm.pred.f > 0.5, 1, 0)glm.f1.f <- F1_Score(testglm$Revenue, glm.pred.f, positive = "1")paste("The F1-score by Logistic regression classifier in test data is", glm.f1.f)

KNN

knndata <- as.data.frame(model.matrix(~., Train[, -11]))knndata <- knndata[, -1]knntest <- as.data.frame(model.matrix(~., Test[, -11]))knntest <- knntest[, -1]knn.model.f.pred <- knn(knndata, knntest, Train$Revenue, k = 7)knn.f1.f <- F1_Score(Test$Revenue, knn.model.f.pred, positive = "TRUE")paste("The F1-score by KNN classifier in test data is", knn.f1.f)

SVM

svm.model.f <- svm(Revenue ~ ., kernel = "radial", type = "C-classification",     gamma = 0.2, cost = 1, data = Train)svm.pred.f <- predict(svm.model.f, Test)svm.f1.f <- F1_Score(Test$Revenue, svm.pred.f, positive = "TRUE")paste("The F1-score by SVM classifier in test data is", svm.f1.f)

Random Forests

rf.model.f <- randomForest(Revenue ~ ., data = Train, n.trees = 200, mtry = 3)rf.pred.f <- predict(rf.model.f, Test)rf.f1.f <- F1_Score(Test$Revenue, rf.pred.f, positive = "TRUE")paste("The F1-score by Random Forests classifier in test data is", rf.f1.f)

NN

nndata <- Trainnndata$Revenue <- ifelse(nndata$Revenue == "TRUE", 1, 0)train_x <- model.matrix(~., nndata[, -11])train_x <- train_x[, -1]train_y <- to_categorical(as.integer(as.matrix(array(nndata[, 11]))), 2)model <- keras_model_sequential()# defining model's layersmodel %>% layer_dense(units = 30, input_shape = 33, activation = "relu") %>%     layer_dense(units = 40, activation = "relu") %>% layer_dropout(rate = 0.4) %>%     layer_dense(units = 60, activation = "relu") %>% layer_dropout(rate = 0.4) %>%     layer_dense(units = 30, activation = "relu") %>% layer_dropout(rate = 0.4) %>%     layer_dense(units = 2, activation = "sigmoid")# defining model's optimizermodel %>% compile(loss = "binary_crossentropy", optimizer = "adam", metrics = c("accuracy"))weight = list(5.5, 1)model %>% fit(train_x, train_y, epochs = 20, batch_size = 512, class_weight = weight)# test datatestnn <- Testtestnn$Revenue <- ifelse(testnn$Revenue == "TRUE", 1, 0)test_x <- model.matrix(~., testnn[, -11])test_x <- test_x[, -1]nn.pred <- model %>% predict(test_x)nn.pred <- as.data.frame(nn.pred)nn.pred$label <- NAnn.pred$label <- ifelse(nn.pred$V2 > nn.pred$V1, "TRUE", "FALSE")nn.pred$label <- as.factor(nn.pred$label)nn.f1 <- F1_Score(Test$Revenue, nn.pred$label, positive = "TRUE")paste("The F1-score by Neural network in test data is", nn.f1)

看一下结果对比哈，RF和NN的表现较好。最后做个混淆矩阵看一下。

# RFprint(rf.cm.f <- table(rf.pred.f, Test$Revenue))##          ## rf.pred.f FALSE TRUE##     FALSE   987   74##     TRUE     50  116# NNprint(nn.cm.f <- table(nn.pred$label, Test$Revenue))##        ##         FALSE TRUE##   FALSE   980   69##   TRUE     57  121

关于如何进行R语言数据建模流程分析就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。