您的第一个 R 机器学习项目分步指南

您想使用 R 进行机器学习，但却难以入门吗？

在本篇文章中，您将使用 R 完成您的第一个机器学习项目。

在本循序渐进的教程中，您将：

1. 下载并安装 R，并获取 R 中最有用的机器学习包。
2. 加载数据集，并通过统计摘要和数据可视化来了解其结构。
3. 创建 5 个机器学习模型，挑选出最好的模型，并确信其准确性是可靠的。

如果您是机器学习初学者，并希望最终开始使用 R，本教程是为您量身定制的。

借助我的新书 《R 语言机器学习精通》，包括循序渐进的教程和所有示例的R 源代码文件，来**启动您的项目**。

让我们开始吧！

R 语言的第一个机器学习项目：一步一步指南
照片由 Henry Burrows 拍摄，保留部分权利。

如何开始 R 语言的机器学习？

学习机器学习的最佳方式是设计并完成小型项目。

R 语言在入门时可能会令人望而生畏

R 是一种语法有些奇怪的脚本语言。此外，还有数百个包和数千个函数可供选择，提供了多种完成任务的方式。这可能会让人感到不知所措。

开始使用 R 语言进行机器学习的最佳方法是完成一个项目。

• 它将迫使您至少安装和启动 R。
• 它将让您对如何逐步完成小型项目有一个鸟瞰图。
• 它将为您带来信心，或许还能激励您开始自己的小型项目。

初学者需要一个小型端到端项目

书籍和课程会令人沮丧。它们为您提供了大量的“食谱”和代码片段，但您从未能看到它们如何协同工作。

当您将机器学习应用于自己的数据集时，您就是在进行一个项目。

机器学习项目的过程可能不是线性的，但有一些众所周知的步骤：

1. 定义问题。
2. 准备数据。
3. 评估算法。
4. 改进结果。
5. 呈现结果。

有关机器学习项目步骤的更多信息，请参阅此清单和更多关于流程的内容。

真正掌握一个新平台或工具的最佳方法是端到端地完成一个机器学习项目，涵盖关键步骤，即从加载数据、汇总数据、评估算法到进行预测。

如果您能做到这一点，您就拥有了一个可以用于一个又一个数据集的模板。一旦您有了更多的信心，就可以稍后填补诸如进一步数据准备和改进结果等方面的空白。

机器学习的“Hello World”

在新工具上开始的最佳小型项目是鸢尾花分类（例如，鸢尾花数据集）。

这是一个很好的项目，因为它非常成熟。

• 属性是数值型的，因此您必须弄清楚如何加载和处理数据。
• 这是一个分类问题，允许您练习可能更简单的监督学习算法。
• 这是一个多类分类问题（多项式），可能需要一些专门的处理。
• 它只有 4 个属性和 150 行，这意味着它很小，并且可以轻松地放入内存（以及屏幕或 A4 纸）。
• 所有数值属性都具有相同的单位和相同的尺度，无需任何特殊的缩放或转换即可开始。

让我们开始您的 R 语言机器学习“Hello World”项目。

R 语言机器学习：循序渐进的教程（从这里开始）

在本节中，我们将端到端地完成一个小型机器学习项目。

以下是我们即将涵盖的内容概述：

1. 安装 R 平台。
2. 加载数据集。
3. 汇总数据集。
4. 可视化数据集。
5. 评估一些算法。
6. 进行一些预测。

慢慢来。逐步完成每个步骤。

尝试自己输入命令，或者复制粘贴命令以加快速度。

如有任何问题，请在文章底部留言。

1. 下载、安装和启动 R

如果您的系统尚未安装 R 平台，请将其安装好。

更新：本教程是使用 R 版本 3.2.3 编写和测试的。建议您使用此版本或更高版本的 R。

我不想详细介绍，因为其他人已经做过了。这已经相当直接了，特别是如果您是开发人员。如果您确实需要帮助，请在评论中提问。

以下是我们将在此步骤中涵盖的内容：

1. 下载 R。
2. 安装 R。
3. 启动 R。
4. 安装 R 包。

1.1 下载 R

您可以从 R 项目网页下载 R。

当您单击下载链接时，您将需要选择一个镜像。然后，您可以为您的操作系统选择 R，例如 Windows、OS X 或 Linux。

1.2 安装 R

R 很容易安装，我相信您能处理好。它没有特殊要求。如果您有关于安装的问题或需要帮助，请参阅 R 安装与管理。

1.3 启动 R

您可以从操作系统使用的任何菜单系统启动 R。

对我来说，我更喜欢命令行。

打开您的命令行，切换（或创建）到您的项目目录，然后键入以下命令来启动 R：

您应该会在新窗口或终端中看到类似下图的截图。

R 交互式环境

1.4 安装包

安装我们今天要使用的包。包是我们可以用在 R 中的第三方附加组件或库。

更新：我们可能还需要其他包，但 caret 应该会询问我们是否要加载它们。如果您在使用包时遇到问题，可以通过键入以下命令来安装 caret 包以及您可能需要的所有包：

现在，让我们加载我们将在本教程中使用到的包，即 caret 包。

caret 包为数百种机器学习算法提供了一致的接口，并提供了有用的便捷方法，用于数据可视化、数据重采样、模型调优和模型比较等功能。它是 R 语言机器学习项目的必备工具。

有关 caret R 包的更多信息，请参阅 caret 包主页。

2. 加载数据

我们将使用鸢尾花数据集。这个数据集很有名，因为它几乎被所有人用作机器学习和统计学的“Hello World”数据集。

该数据集包含 150 个鸢尾花样本。有四列是鸢尾花的测量值，单位为厘米。第五列是观察到的花的种类。所有观察到的花都属于三个种类之一。
您可以在维基百科上了解更多关于这个数据集的信息。.

以下是我们将在这一步中进行的操作：

1. 以简单的方式加载鸢尾花数据。
2. 从 CSV 加载鸢尾花数据（可选，仅为纯粹主义者）。
3. 将数据分为训练数据集和验证数据集。

选择您喜欢的数据加载方式，或尝试两种方法。

2.1 以简单方式加载数据

幸运的是，R 平台为我们提供了鸢尾花数据集。按如下方式加载数据集：

现在您已经在 R 中加载了鸢尾花数据，可以通过 `dataset` 变量访问。

我喜欢将加载的数据命名为“dataset”。如果您想在项目之间复制粘贴代码，并且数据集始终具有相同的名称，这样做会很有帮助。

2.2 从 CSV 加载

也许您是个纯粹主义者，您想像在自己的机器学习项目中所做的那样，从 CSV 文件加载数据。

1. 从 UCI 机器学习库下载鸢尾花数据集（这是直接链接）。
2. 将文件保存为项目目录中的 `iris.csv`。

按如下方式从 CSV 文件加载数据集：

现在您已经在 R 中加载了鸢尾花数据，可以通过 `dataset` 变量访问。

2.3. 创建验证数据集

我们需要知道我们创建的模型是否够好。

稍后，我们将使用统计方法来估计我们创建的模型在未见过的数据上的准确性。我们还希望通过在实际未见过的数据上进行评估，来获得对最佳模型在未见过的数据上的准确性的更具体的估计。
也就是说，我们将留出一部分数据，算法将无法看到这些数据，我们将使用这些数据来获得对最佳模型实际可能有多准确的第二次独立看法。

我们将把加载的数据集分成两部分，其中 80% 用于训练模型，20% 作为验证数据集保留。

现在您已将训练数据存储在 `dataset` 变量中，并将验证集存储在稍后将使用的 `validation` 变量中。

请注意，我们用数据集的 80% 样本替换了我们的 dataset 变量。这是为了使其余代码更简洁易读。

3. 汇总数据集

现在是时候看看数据了。

在本节中，我们将以几种不同的方式查看数据：

1. 数据集的维度。
2. 属性的类型。
3. 数据的预览。
4. 类别属性的级别。
5. 每个类别中实例的分布。
6. 所有属性的统计摘要。

不用担心，每一次数据查看都只需要一个命令。这些命令很有用，您可以在未来的项目中反复使用。

3.1 数据集维度

我们可以通过 `dim` 函数快速了解数据包含多少实例（行）和多少属性（列）。

您应该看到 120 个实例和 5 个属性。

3.2 属性类型

了解属性的类型是一个好主意。它们可以是双精度浮点数、整数、字符串、因子等类型。

了解类型很重要，因为它会让您知道如何更好地汇总您拥有的数据，以及在使用转换来准备数据后再进行建模。

您应该看到所有输入都是双精度浮点数，而类别值是因子。

3.3 预览数据

实际查看数据也总是一个好主意。

您应该看到数据的前 5 行。

3.4 类别的级别

类别变量是因子。因子是一种具有多个类别标签或级别的类别。让我们看看这些级别：

请注意，上面我们可以通过名称将属性引用为数据集的一个属性。在结果中，我们可以看到该类别有 3 个不同的标签：

这是一个多类或多项式分类问题。如果有两个级别，它将是一个二元分类问题。

3.5 类别分布

现在让我们看看每个类别包含的实例（行）数。我们可以将其显示为绝对计数和百分比。

我们可以看到每个类别都具有相同数量的实例（40 个，即数据集的 33%）。

3.6 统计摘要

最后，我们可以看一下每个属性的摘要。

这包括均值、最小值和最大值，以及一些百分位数（25th、50th 或中位数和 75th，例如，按排序顺序排列的属性值）。

我们可以看到所有数值都具有相同的尺度（厘米）和相似的范围 [0,8] 厘米。

4. 可视化数据集

现在我们对数据有了基本了解。我们需要通过一些可视化来扩展它。

我们将查看两种图表：

1. 单变量图，以便更好地理解每个属性。
2. 多变量图，以便更好地理解属性之间的关系。

4.1 单变量图

我们从一些单变量图开始，即每个单独变量的图。

为了方便可视化，最好能只引用输入属性和输出属性。让我们进行设置，将输入属性称为 `x`，输出属性（或类别）称为 `y`。

鉴于输入变量是数值型的，我们可以创建每个变量的箱须图。

这让我们对输入属性的分布有了更清晰的了解。

R 语言中的箱须图

我们还可以绘制物种类别变量的条形图，以图形方式表示类别分布（通常不那么有趣，因为它们是均匀的）。

这证实了我们在上一节中学到的内容，即实例在三个类别中分布均匀。

鸢尾花种类的条形图

4.2 多变量图

现在我们可以查看变量之间的交互。

首先，让我们查看所有属性对的散点图，并按类别对点进行着色。此外，由于散点图显示每个类别的点通常是分开的，因此我们可以围绕它们绘制椭圆。

我们可以看到输入属性之间（趋势）以及属性与类别值之间（椭圆）存在明显的关联。

R 语言鸢尾花数据的散点图矩阵

我们还可以再次查看每个输入变量的箱须图，但这次是按每个类别分开绘制的。这有助于区分类之间明显的线性分离。

这有助于我们看出每个类别的属性分布存在明显差异。

按类别值划分的鸢尾花数据的箱须图

接下来，我们可以通过每个类别的分布来了解每个属性的分布，同样类似于箱须图。有时直方图对此很有用，但在本例中，我们将使用一些概率密度图来为每个分布生成漂亮的平滑曲线。

与箱须图类似，我们可以看到每个属性按类别值的分布差异。我们还可以看到每个属性的类似高斯分布（钟形曲线）。

按类别值划分的鸢尾花数据密度图

5. 评估一些算法

现在是时候创建一些数据模型并估计它们在未见过的数据上的准确性了。

以下是我们将在此步骤中涵盖的内容：

1. 设置使用 10 折交叉验证的测试框架。
2. 构建 5 种不同的模型来预测花的测量值对应的种类。
3. 选择最佳模型。

5.1 测试框架

我们将使用 10 折交叉验证来估计准确性。

这将把我们的数据集分成 10 部分，在 9 个部分上训练，在 1 个部分上测试，并对所有训练-测试分割组合进行评估。我们还将对每个算法重复此过程 3 次，使用不同的数据分割成 10 组，以获得更准确的估计。

我们使用“Accuracy”（准确性）作为评估模型的指标。这是正确预测的实例数除以数据集中的总实例数，再乘以 100 得到百分比（例如，准确性为 95%）。在下一步构建和评估每个模型时，我们将使用 `metric` 变量。

5.2 构建模型

我们不知道哪些算法会在此问题上表现良好，也不知道应使用哪些配置。从图表中我们可以看出，某些类别在某些维度上是部分线性可分的，因此我们预计结果总体上会很好。

让我们评估 5 种不同的算法：

• 线性判别分析 (LDA)
• 分类和回归树 (CART)。
• k-最近邻 (kNN)。
• 具有线性核的支持向量机 (SVM)。
• 随机森林 (RF)

这是一种简单的线性（LDA）、非线性（CART、kNN）和复杂的非线性方法（SVM、RF）的良好混合。我们在每次运行时都会重置随机数种子，以确保使用相同的数据分割来执行每个算法的评估。这确保了结果具有可比性。

让我们构建我们的五个模型：

Caret 支持配置和调优每个模型的配置，但本次教程不会涵盖这方面内容。

5.3 选择最佳模型

现在我们有了 5 个模型以及它们各自的准确率估算。我们需要将这些模型进行比较，并选择最准确的一个。

我们可以通过首先创建一个模型列表并使用 summary 函数来报告每个模型的准确率。

我们可以看到每个分类器的准确率，以及 Kappa 等其他指标。

我们还可以绘制模型评估结果的图，并比较每个模型的分布和平均准确率。由于每个算法都进行了 10 次评估（10 折交叉验证），因此每个算法都有一个准确率度量集合。

在此案例中，我们可以看到 LDA 是最准确的模型。

R 中机器学习算法比较：鸢尾花数据集

我们可以总结 LDA 模型的具体结果。

这很好地总结了用于训练模型的内容以及达到的平均准确率和标准差（SD），具体为 97.5% 的准确率 +/- 4%。

6. 进行预测

LDA 是最准确的模型。现在我们想了解模型在验证集上的准确率。

这将为我们提供对最佳模型准确率的独立最终检查。保留验证集很有价值，以防在过拟合训练集或数据泄露等环节出现失误。这两种情况都会导致过于乐观的结果。

我们可以直接在验证集上运行 LDA 模型，并在混淆矩阵中总结结果。

我们可以看到准确率为 100%。虽然验证数据集较小（20%），但该结果在我们预期的 97% +/-4% 的误差范围内，这表明我们可能拥有一个准确且可靠的模型。

你可以在 R 中进行机器学习

完成以上教程。最多需要 5 到 10 分钟！

你不必理解所有内容。（至少现在不用）你的目标是端到端地完成教程并获得结果。你不需要在第一次运行时理解所有内容。在过程中记录下你的问题。大量使用 R 中的?FunctionName帮助语法来了解你使用的所有函数。

你不需要知道算法的工作原理。了解机器学习算法的局限性和配置方法很重要。但算法的学习可以稍后进行。你需要花很长时间慢慢积累算法知识。今天，先从熟悉平台开始。

你不需要是 R 程序员。R 语言的语法可能令人困惑。与其他语言一样，专注于函数调用（例如function()）和赋值（例如a <- “b”）。这将让你基本掌握。你是一个开发者，你知道如何快速掌握一门语言的基础。现在就开始，以后再深入细节。

你不需要是机器学习专家。你可以在以后了解各种算法的优点和局限性，并且有很多文章可以供你以后回顾机器学习项目的步骤以及交叉验证评估准确性的重要性。

机器学习项目的其他步骤呢？。我们没有涵盖机器学习项目的所有步骤，因为这是你的第一个项目，我们需要关注关键步骤。即加载数据、查看数据、评估一些算法并进行一些预测。在以后的教程中，我们可以研究其他数据准备和结果改进任务。

总结

在这篇文章中，你了解了如何在 R 中完成你的第一个机器学习项目的详细步骤。

你发现，完成一个小型端到端项目，从加载数据到进行预测，是熟悉新平台的最有效方法。

你的下一步

你是否完成了本教程？

1. 完成以上教程。
2. 列出你所有的问题。
3. 搜索或研究答案。

记住，你可以在 R 中使用?FunctionName来获取任何函数的帮助。

你有什么问题吗？在下面的评论中提出。

在R中发现更快的机器学习！

在几分钟内开发您自己的模型

...只需几行R代码

在我的新电子书中探索如何实现
精通 R 语言机器学习

涵盖自学教程和端到端项目，例如
加载数据、可视化、构建模型、调优等等...

最终将机器学习应用到您自己的项目中

跳过学术理论。只看结果。

查看内容