1、数据简单查看参考

• 1.1、 查看数据描述性统计：describe()

• 1.2、 查看数据字段名：columns()

• 1.3、查看数据的类型以及缺失值情况info()

• 1.4查看前几行数据:head()

注：有一些算法，比如组合算法，要求分类变量为因子行变量；层次聚类，要求是一个距

离矩阵，可以通过str函数进行查看数据类型要求，有些算法对

注：可以初步观察是不是有量纲的差异，为后续的分析做准备

• 查看因子型变量占比情况：table/prop.table

注：可以为后续数据抽样做准备，看是否产生类不平衡的问题

2.数据缺失值处理

• 2.1 info()函数进行简单查看

• 2.2 isnull查看数据缺失值的情况，

• 2.3mean()、modain函数,可以进行缺失值的插补工作还有有knn、袋装、中位数方法

• 2.4missFores包中misssForest函数，可以进行随即森林方法插补

• 2.5可以用回归分析的方法完成缺失值插补工作

• 2.6如果样本量很多，缺失值数据很少，可以选择直接剔除的方法

3.数据异常值处理

• 3.1describe()函数进行简单的查看，比如最大值、最小值

• 3.2boxplot函数绘制箱线图

4.数据的抽样

• sample函数进行随机抽样

• caret包中的createDataPartition()函数对训练样本和测试样本进行等比抽样

• caret包中createFold函数根据某一个指标进行等比抽样

• DMrR包中的SMOTR函数可以解决处理不平衡分类问题

注：比如决策树算法中，如果样本严重不平衡，那么模型会出现欠拟合现象

5.变量的多重共线性处理

• 结合业务，先删除哪些和分析无关的指标

• corrgram包的corrgram函数查看相关系数矩阵

• caret包的findCorrelation函数查看多重共线性

• 如果相关性太大，可以考虑删除变量；如果变量比较重要，可以考虑主成分／因子分析进行降维处理

• 确定多种共线性的方法，一般相关系数>0.7,且P<0.05(F检验的显著性)时变量之间存在共线性

• 1、处理：变量剔除

• 2、 改变解释变量的形式、如log转换，时间序列采用增量型变量

• 3、 主成份分析

• 4、岭回归(目标函数后加上惩罚项)

• 5、增加样本容量

• 6、逐步回归法

WechatIMG1336.jpeg WechatIMG1337.jpeg 屏幕快照 2018-04-02 16.08.58.png