Reduzindo o número de níveis de variável preditora categórica não ordenada

Quero treinar um classificador, digamos SVM, floresta aleatória ou qualquer outro classificador. Um dos recursos do conjunto de dados é uma variável categórica com 1000 níveis. Qual é a melhor maneira de reduzir o número de níveis nessa variável. No R, existe uma função chamada combine.levels()no pacote Hmisc , que combina níveis pouco frequentes, mas eu estava procurando outras sugestões.

— sabunime
fonte

A variável categórica é desordenada? Aproximadamente quantos casos você tem? Qual é a distribuição de frequência na variável categórica?

— Jeromy Anglim

Os níveis não estão ordenados. Eu tenho cerca de 10.000 observações. A distribuição de frequência é a seguinte: o nível A aparece em cerca de 11% das observações. O nível B aparece em 8%. O nível c aparece em 5%. Cerca de 15 desses níveis cobrem 50% das observações no conjunto de dados.

— Sabunime

A melhor maneira de fazer isso varia enormemente, dependendo da tarefa que você está realizando, por isso é impossível dizer o que será melhor de maneira independente da tarefa.

Há duas coisas fáceis de tentar se seus níveis são ordinais:

Bin eles. Por exemplo, 0 = (0 250), 1 = (251 500) etc. Você pode selecionar os limites para que cada compartimento possua um número igual de itens.
Você também pode realizar uma transformação de log dos níveis. Isso reduzirá o alcance.

Se os níveis não forem ordinais, você poderá agrupar os níveis com base em outros recursos / variáveis em seu conjunto de dados e substituir os IDs do cluster pelos níveis anteriores. Existem tantas maneiras de fazer isso quanto os algoritmos de cluster, portanto, o campo está aberto. Enquanto eu leio, é isso que combine.levels()está fazendo. Você poderia fazer o mesmo usando kmeans()ou prcomp(). (Você pode / deve treinar posteriormente um classificador para prever os clusters para novos pontos de dados.)

— Joey
fonte

Não conheço uma maneira realmente boa de lidar com isso, a não ser tratar a variável categórica como um efeito aleatório. Você pode emular isso usando um processo de penalização quadrática (crista) na variável. O livro Minha estratégia de modelagem de regressão e as notas do curso abordam isso.

— Frank Harrell

@FrankHarrell Duas abordagens vêm à mente: a análise de classe latente da variável POlytomous seria uma (cran.r-project.org/web/packages/poLCA/poLCA.pdf), outra análise de correspondência (por exemplo, statmethods.net/advstats/ca. html).

— Mike Hunter