Prapemrosesan Data di R: Tutorial Ultimate [2022]

Dalam prapemrosesan data berikut dalam tutorial R, Anda akan mempelajari dasar-dasar cara melakukan prapemrosesan data. Tutorial ini mengharuskan Anda untuk terbiasa dengan dasar-dasar R dan pemrograman:

1. Langkah: Menemukan dan Memperbaiki Masalah

Kami akan memulai pra-pemrosesan data kami di tutorial R dengan mengimpor kumpulan data terlebih dahulu. Lagi pula, Anda tidak dapat melakukan praproses data jika Anda tidak memiliki datanya sejak awal.

Dalam kasus kami, data disimpan dalam file data.csv di direktori kerja. Anda dapat menggunakan perintah setwd("lokasi yang diinginkan") dan mengatur direktori kerja.

Inilah cara Anda memulai proses:

kumpulan data <- read.csv(“Data.csv”)

Berikut kumpulan data kami:

Seperti yang Anda lihat, ada nilai yang hilang di kolom Gaji dan Usia dari kumpulan data kami. Kami telah mengidentifikasi masalah yang ada dalam kumpulan data kami sehingga kami sekarang dapat mulai memperbaikinya.

Tampaknya tidak ada masalah lain dalam kumpulan data kami sehingga kami hanya perlu menangani nilai yang hilang. Kita dapat memperbaiki masalah ini dengan mengganti nilai NA dengan nilai rata-rata dari masing-masing kolom. Berikut caranya:

dataset$Usia <- ifelse(is.na(dataset$Umur),

ave(dataset$Usia, MENYENANGKAN = fungsi(x)

mean(x, na.rm = BENAR)),

kumpulan data$Usia)

dataset$Gaji <- ifelse(is.na(dataset$Gaji),

ave(dataset$Gaji, MENYENANGKAN = fungsi(x)

mean(x, na.rm = BENAR)),

set data$Gaji)

Perhatikan bagaimana kita menggunakan fungsi ave() di sini. Dibutuhkan rata-rata kolom tertentu yang telah Anda masukkan di mana FUN adalah fungsi dari x yang menghitung rata-rata tidak termasuk nilai NA (na.rm=TRUE).

lain,

ambil apa saja yang ada di dataset$Age

Kami akan menggunakan fungsi mean() sekarang:
#mendefinisikan x = 1 2 3

x <- 1:3

#memperkenalkan nilai yang hilang

x[1] <- NA

# rata-rata = NA

rata-rata (x)

## [1] NA

# mean = mean tidak termasuk nilai NA

mean(x, na.rm = T)

## [1] 2.5

Setelah mengidentifikasi dan memperbaiki masalah, dataset kami terlihat seperti ini:

Baca Juga: Peluang Karir di Bahasa Pemrograman R

2. Langkah: Data Kategoris

Data kategoris adalah data non-numerik yang termasuk dalam kategori tertentu. Kolom Negara dalam kumpulan data kami adalah data kategorikal. Fungsi read.csv() di R akan menjadikan semua variabel string sebagai variabel kategoris. Namun, kami tidak dapat menggunakannya dalam setiap kasus.

Inilah cara Anda membuat variabel tertentu sebagai variabel faktor:
dataset$Negara = faktor(dataset$Negara,

level = c('Prancis', 'Spanyol', 'Jerman'),

label = c(1, 2, 3))

dataset$Dibeli = faktor(set data$Dibeli,

level = c('Tidak', 'Ya'),

label = c(0, 1))

3. Langkah: Memisahkan Data

Sekarang, kita harus membagi dataset kita menjadi dua dataset terpisah. Satu untuk melatih model pembelajaran mesin kami sementara yang lain untuk menguji yang sama.

Untuk melakukannya, pertama-tama kita akan menginstal paket caTools (jika tidak tersedia) dan menambahkannya ke perpustakaan kita. Setelah itu, kita akan menggunakan fungsi set.seed() untuk memastikan bahwa pemisahan dilakukan secara acak. Gunakan kode berikut:
perpustakaan (caTools)

set.seed(123)

split = sample.split(set data$Dibeli,SplitRatio = 0.8)

training_set = subset(set data,split == TRUE)

test_set = subset(set data, split == FALSE)

Anda pasti telah memperhatikan bahwa kami telah mempertahankan rasio split sebagai 80:20. Ini karena ini adalah rasio split paling konvensional untuk set pelatihan dan set tes. Metode sample.split() kami telah mengambil kolom dan membuat array numerik dengan nilai benar dan salah yang diacak sesuai dengan rasio pemisahan.

4. Langkah: Penskalaan Fitur atau Overfitting

Penskalaan fitur diperlukan jika fitur yang berbeda dalam kumpulan data Anda memiliki rentang yang berbeda. Dalam kasus kami, kolom Usia dan Gaji memiliki rentang yang berbeda, yang dapat menyebabkan masalah dalam melatih model ML kami.

Ketika Anda memiliki fitur dengan jangkauan yang jauh lebih tinggi daripada fitur lainnya, jarak euclidean meningkat secara signifikan, menyebabkan model memberikan hasil yang salah.

Perhatikan bahwa sebagian besar perpustakaan di R memperbaiki masalah ini secara otomatis, tetapi penting untuk mengetahui cara memperbaikinya. Lakukan hal berikut:

training_set[,2:3] = skala(training_set[,2:3])

test_set[,2:3] = skala(test_set[,2:3])

Ini akan memperbaiki masalah dan fitur set pelatihan Anda akan memiliki rentang yang sama, meminimalkan kemungkinan kesalahan selama implementasi pembelajaran mesin.

Dapatkan sertifikasi ilmu data dari Universitas top dunia. Pelajari Program PG Eksekutif, Program Sertifikat Tingkat Lanjut, atau Program Magister untuk mempercepat karier Anda.

Kesimpulan

Kami harap Anda menemukan prapemrosesan data kami di tutorial R bermanfaat. Akan lebih baik untuk memahami tutorial sebelum Anda mencoba mengujinya sendiri. Memahami konsep jauh lebih penting daripada menggunakannya.

Apa pendapat Anda tentang pra-pemrosesan data kami di tutorial R? Bagikan di komentar di bawah.

Jika Anda penasaran untuk belajar tentang R, ilmu data, lihat PG Eksekutif kami dalam Ilmu Data yang dibuat untuk para profesional yang bekerja dan menawarkan 10+ studi kasus & proyek, lokakarya praktis, bimbingan dengan pakar industri, 1-on- 1 dengan mentor industri, 400+ jam pembelajaran dan bantuan pekerjaan dengan perusahaan-perusahaan top.