R語言_設置虛擬變量_啞變量

在R語言中對包括分類變量(factor)的數據建模時，一般會將其自動處理為虛擬變量或啞變量(dummy variable)。但有一些特殊的函數，如neuralnet包中的neuralnet函數就不會預處理。如果直接將原始數據扔進去，會出現”requires numeric/complex matrix/vector arguments”需要數值/復數矩陣/矢量參數錯誤。

這個時候，除了將這些變量刪除，我們只能手動將factor variable轉換為取值(0,1)的虛擬變量。所用的函數一般有model.matrix(),nnet package中的class.ind()。

下面以UCI的german credit data為例說明。

首先，從UCI網站上下載到german.data數據集，並用str函數對其有個簡單的認識。

1. download.file("http://archive.ics.uci.edu/ml/machine-learning-databases/statlog/german/german.data",
2.     "./german.data")
3. data <- read.table("./german.data")
4. str(data)

復制代碼

 

該數據有21個變量，其中V21為目標變量，V1-V20中包括integer和factor兩種類型。下面將用V1分類變量（包含4個level）和V2,V5,V8三個數值型變量作為解釋變量建模。

1. ## 'data.frame':    1000 obs. of  21 variables:
2. ##  $ V1 : Factor w/ 4 levels "A11","A12","A13",..: 1 2 4 1 1 4 4 2 4 2 ...
3. ##  $ V2 : int  6 48 12 42 24 36 24 36 12 30 ...
4. ##  $ V3 : Factor w/ 5 levels "A30","A31","A32",..: 5 3 5 3 4 3 3 3 3 5 ...
5. ##  $ V4 : Factor w/ 10 levels "A40","A41","A410",..: 5 5 8 4 1 8 4 2 5 1 ...
6. ##  $ V5 : int  1169 5951 2096 7882 4870 9055 2835 6948 3059 5234 ...
7. ##  $ V6 : Factor w/ 5 levels "A61","A62","A63",..: 5 1 1 1 1 5 3 1 4 1 ...
8. ##  $ V7 : Factor w/ 5 levels "A71","A72","A73",..: 5 3 4 4 3 3 5 3 4 1 ...
9. ##  $ V8 : int  4 2 2 2 3 2 3 2 2 4 ...
10. ##  $ V9 : Factor w/ 4 levels "A91","A92","A93",..: 3 2 3 3 3 3 3 3 1 4 ...
11. ##  $ V10: Factor w/ 3 levels "A101","A102",..: 1 1 1 3 1 1 1 1 1 1 ...
12. ##  $ V11: int  4 2 3 4 4 4 4 2 4 2 ...
13. ##  $ V12: Factor w/ 4 levels "A121","A122",..: 1 1 1 2 4 4 2 3 1 3 ...
14. ##  $ V13: int  67 22 49 45 53 35 53 35 61 28 ...
15. ##  $ V14: Factor w/ 3 levels "A141","A142",..: 3 3 3 3 3 3 3 3 3 3 ...
16. ##  $ V15: Factor w/ 3 levels "A151","A152",..: 2 2 2 3 3 3 2 1 2 2 ...
17. ##  $ V16: int  2 1 1 1 2 1 1 1 1 2 ...
18. ##  $ V17: Factor w/ 4 levels "A171","A172",..: 3 3 2 3 3 2 3 4 2 4 ...
19. ##  $ V18: int  1 1 2 2 2 2 1 1 1 1 ...
20. ##  $ V19: Factor w/ 2 levels "A191","A192": 2 1 1 1 1 2 1 2 1 1 ...
21. ##  $ V20: Factor w/ 2 levels "A201","A202": 1 1 1 1 1 1 1 1 1 1 ...
22. ##  $ V21: int  1 2 1 1 2 1 1 1 1 2 ...

復制代碼

首先加載neuralnet包嘗試一下，只用數值型變量建模，沒有報錯。

1. library("neuralnet")
2. NNModelAllNum <- neuralnet(V21 ~ V2 + V5 + V8, data)
3. NNModelAllNum

復制代碼

1. ## Call: neuralnet(formula = V21 ~ V2 + V5 + V8, data = data)
2. ##
3. ## 1 repetition was calculated.
4. ##
5. ##         Error Reached Threshold Steps
6. ## 1 104.9993578    0.005128715177    55

復制代碼

 

當我們把V1放入解釋變量中出現了如下錯誤：

1. NNModel <- neuralnet(V21 ~ V1 + V2 + V5 + V8, data)

復制代碼

1. ## Error: 需要數值/復數矩陣/矢量參數

復制代碼

 

此時可以用model.matrix函數將V1轉化為三個虛擬變量，V1A12,V1A13,V1A14。

1. dummyV1 <- model.matrix(~V1, data)
2. head(cbind(dummyV1, data$V1))

復制代碼

1. ##   (Intercept) V1A12 V1A13 V1A14  
2. ## 1           1     0     0     0 1
3. ## 2           1     1     0     0 2
4. ## 3           1     0     0     1 4
5. ## 4           1     0     0     0 1
6. ## 5           1     0     0     0 1
7. ## 6           1     0     0     1 4

復制代碼

 

因為model.matrix函數對數值型和分類Level=2的類別型變量沒有影響，所以可以將四個變量一起用該函數生成新的數據集modelData，就可以用該數據集建模了。

1. modelData <- model.matrix(~V1 + V2 + V5 + V8 + V21, data)
2. head(modelData)

復制代碼

1. ##   (Intercept) V1A12 V1A13 V1A14 V2   V5 V8 V21
2. ## 1           1     0     0     0  6 1169  4   1
3. ## 2           1     1     0     0 48 5951  2   2
4. ## 3           1     0     0     1 12 2096  2   1
5. ## 4           1     0     0     0 42 7882  2   1
6. ## 5           1     0     0     0 24 4870  3   2
7. ## 6           1     0     0     1 36 9055  2   1

復制代碼

1. NNModel <- neuralnet(V21 ~ V1A12 + V1A13 + V1A14 + V2 + V5 + V8, modelData)

復制代碼

另外一種方法來自nnet package的class.ind函數。

1. library("nnet")
2. dummyV12 <- class.ind(data$V1)
3. head(dummyV12)

復制代碼

可以看到，該結果和model.matrix稍有區別，生成了四個虛擬變量。要注意，為了避免多重共線性，對於level=n的分類變量只需選取其任意n-1個虛擬變量。

1. ##      A11 A12 A13 A14
2. ## [1,]   1   0   0   0
3. ## [2,]   0   1   0   0
4. ## [3,]   0   0   0   1
5. ## [4,]   1   0   0   0
6. ## [5,]   1   0   0   0
7. ## [6,]   0   0   0   1