Desktop Survival Guide
by Graham Williams
|
|
DATA MINING
Desktop Survival Guide by Graham Williams |
|
|||
Binning |
|
Many algorithms for data mining and before that for machine learning have been developed to deal only with categorial variables. Thus, the ability to turn numeric variables into categoric variables is important.
To divide the range of a numeric variable into intervals, and to then code the values of the variable according to which interval they fall into, thus transforming the variable into a categoric variable, we can use the XnullXXnullXR functionsR functions (R function)R functionsR libraries (R library)R functionsR option (R option)R functionsR packages (R package)R functionsDatasets (Dataset)XnullXR functionsR functionscut function. In the example below the values are cut into three ranges, and given appropriate labels. As a bonus, the percentage distribution across the three ranges is also given!
> v <- c(1, 1.4, 3, 1.1, 0.3, 0.6, 4,5)
> v.cuts <- cut(v, breaks=c(-Inf, 1, 2, Inf), labels=c("Low", "Med", "High"))
> v.cuts
[1] Low Med High Med Low Low High High
Levels: Low Med High
> table(v.cuts)/length(v.cuts)*100
v.cuts
Low Med High
37.5 25.0 37.5
|
An example of this kind of transformation in practise is given in See Chapter 20, where the XnullXXnullXR functionsR functions (R function)R functionsR libraries (R library)R functionsR option (R option)R functionsR packages (R package)R functionsDatasets (Dataset)XnullXR functionsR functionsapriori function requires categoric variables.
Binning is in fact a common concept and tools exist to automatically bin data using different strategies. The XnullXR functionsR functions (R function)R functionsR libraries (R library)R functionsR option (R option)R functionsR packages (R package)R functionsDatasets (Dataset)R functionsR functionsbinning function of the XnullXXnullXR packagesR functions (R function)R packagesR libraries (R library)R packagesR option (R option)R packagesR packages (R package)R packagesDatasets (Dataset)XnullXR packagesR packagessm package provides basic binning functionality.
> library(sm)
> x <- rnorm(100)
> y <- cut(x, breaks=binning(x, nbins=3)$breaks, labels=c("Lo", "Med", "Hi"))
> y
[1] Lo Lo Med Med Med Lo Med Med Med Med Med Lo Lo Med Hi Hi Med Lo
[19] Lo Med Lo Hi Lo Med Hi Lo Med Lo Med Lo Med Med Lo Med Med Med
[37] Lo Med Med Lo Lo Lo Lo Med Med Med Lo Med Med Med Lo Med Lo Med
[55] Med Lo Med Med Med Med Lo Med Med Lo Med Lo Med Med Med Med Lo Med
[73] Med Med Med Med Lo Med Lo Med Med Med Lo Med Med Lo Lo Med Lo Lo
[91] Lo Med Med Lo Lo Med Med Med Lo Med
Levels: Lo Med Hi
|