Aller au contenu

Préparer les données

  • model.matrix(var1) dichotomiser un data (tableau disjonctif).
  • na.exclude(data) supprimer les lignes avec au moins une valeur manquante.
  • scale(fromage, center = T, scale = T) centrer et réduire les données.

Validation croisé

library(rsample)

split <- initial_split(dataset, 0.8)
dt_train <- training(split)
dt_test <- testing(split)

Collération et colinéarité

library(caret)

  • nearZeroVar(mdrrDescr, saveMetrics= TRUE) afficher les colonnes avec une variance nulle.
  • findCorrelation(data) afficher les groupes de variables corrélées.
  • findLinearCombos(data) afficher les combinaisons linéaires.

Discrétiser

  • discretize(var, categories = nbre groupe, label = ) discrétiser une variable (package : arules).

    • method = "frequency" méthode.
    • categories = nbre nombre de classes.

  • cut2(var, breaks, minmax=T) découper en classe en fonction du verteur borne(val1;[ (package Hmisc).

  • smbinning(df = data, y = "var", x = "var_quanti") discrétiser de facon optimale les varibles du data pour un score. (library(smbinning)); y doit être de type integer.

    • $cuts bornes.