Чтобы выполнить рекурсивное удаление признаков в mlr, вы можете использовать функцию makeFeatSelControlSequential
с аргументом method = sbs
(последовательное обратное выделение).Вот пример использования с использованием lda
ученика:
library(mlr)
ctrl <- makeFeatSelControlSequential(method = "sbs",
beta = 0.005)
rdesc <- makeResampleDesc("CV", iters = 3)
sfeats <- selectFeatures(learner = "classif.lda",
task = sonar.task,
resampling = rdesc,
control = ctrl,
show.info = FALSE)
FeatSel result:
Features (57): V1, V2, V3, V4, V5, V6, V7, V8, V9, V11, V12, V13, V14, V15, V16, V17, V18, V19, V21, V22, V23, V24, V25, V26, V27, V28, V29, V30, V31, V32, V33, V34, V35, V36, V37, V38, V39, V40, V41, V42, V43, V44, V45, V46, V47, V48, V49, V50, V51, V52, V53, V54, V55, V56, V57, V58, V60
mmce.test.mean=0.2066943
здесь, 57 переменных из 60 были выбраны.
вы можете использовать:
analyzeFeatSelResult(sfeats)
чтобы овладеть путем выбора
#output
Path to optimum:
- Features: 60 Init : Perf = 0.26936 Diff: NA *
- Features: 59 Remove : V59 Perf = 0.2403 Diff: 0.029055 *
- Features: 58 Remove : V10 Perf = 0.22588 Diff: 0.014424 *
- Features: 57 Remove : V20 Perf = 0.20669 Diff: 0.019186 *
Stopped, because no improving feature was found.