生成測試數(shù)據(jù)

a1 <- c(“f”,”f”,”b”,”b”,”c,”c”)

利用nnet包中的函數(shù)class.ind

> class.ind(a1)
b c f
[1,] 0 0 1
[2,] 0 0 1
[3,] 1 0 0
[4,] 1 0 0
[5,] 0 1 0
[6,] 0 1 0

class.ind代碼

class.ind <- function(cl) {
  n <- length(cl)
  cl <- as.factor(cl)
  x <- matrix( 0,  n ,  length(levels(cl)) )
  # unclass 返回每個字符在level表中的位置
  # 然后按照列計算在向量中的位置
  x[n*(unclass(cl)-1) + （1：n）] <- 1
  dimnames(x) <- list(names(cl), levels(cl))
  x
}

補充：R語言中啞變量的設(shè)置

在構(gòu)建回歸模型時，如果自變量X為連續(xù)性變量，回歸系數(shù)β可以解釋為：在其他自變量不變的條件下，X每改變一個單位，所引起的因變量Y的平均變化量；如果自變量X為二分類變量，例如是否飲酒（1=是，0=否），則回歸系數(shù)β可以解釋為：其他自變量不變的條件下，X=1（飲酒者）與X=0（不飲酒者）相比，所引起的因變量Y的平均變化量。

但是，當(dāng)自變量X為多分類變量時，例如職業(yè)、學(xué)歷、血型、疾病嚴重程度等等，此時僅用一個回歸系數(shù)來解釋多分類變量之間的變化關(guān)系，及其對因變量的影響，就顯得太不理想。

此時，我們通常會將原始的多分類變量轉(zhuǎn)化為啞變量，每個啞變量只代表某兩個級別或若干個級別間的差異，通過構(gòu)建回歸模型，每一個啞變量都能得出一個估計的回歸系數(shù)，從而使得回歸的結(jié)果更易于解釋，更具有實際意義。

啞變量（Dummy Variable），又稱為虛擬變量、虛設(shè)變量或名義變量，從名稱上看就知道，它是人為虛設(shè)的變量，通常取值為0或1，來反映某個變量的不同屬性。對于有n個分類屬性的自變量，通常需要選取1個分類作為參照，因此可以產(chǎn)生n-1個啞變量。

什么情況下需要設(shè)置啞變量

1. 對于無序多分類變量，引入模型時需要轉(zhuǎn)化為啞變量

舉一個例子，如血型，一般分為A、B、O、AB四個類型，為無序多分類變量，通常情況下在錄入數(shù)據(jù)的時候，為了使數(shù)據(jù)量化，我們常會將其賦值為1、2、3、4。

從數(shù)字的角度來看，賦值為1、2、3、4后，它們是具有從小到大一定的順序關(guān)系的，而實際上，四種血型之間并沒有這種大小關(guān)系存在，它們之間應(yīng)該是相互平等獨立的關(guān)系。如果按照1、2、3、4賦值并帶入到回歸模型中是不合理的，此時我們就需要將其轉(zhuǎn)化為啞變量。

2. 對于有序多分類變量，引入模型時需要酌情考慮

例如疾病的嚴重程度，一般分為輕、中、重度，可認為是有序多分類變量，通常情況下我們也常會將其賦值為1、2、3（等距）或1、2、4（等比）等形式，通過由小到大的數(shù)字關(guān)系，來體現(xiàn)疾病嚴重程度之間一定的等級關(guān)系。

但需要注意的是，一旦賦值為上述等距或等比的數(shù)值形式，這在某種程度上是認為疾病的嚴重程度也呈現(xiàn)類似的等距或等比的關(guān)系。而事實上由于疾病在臨床上的復(fù)雜性，不同的嚴重程度之間并非是嚴格的等距或等比關(guān)系，因此再賦值為上述形式就顯得不太合理，此時可以將其轉(zhuǎn)化為啞變量進行量化。

3. 對于連續(xù)性變量，進行變量轉(zhuǎn)化時可以考慮設(shè)定為啞變量

對于連續(xù)性變量，很多人認為可以直接將其帶入到回歸模型中即可，但有時我們還需要結(jié)合實際的臨床意義，對連續(xù)性變量作適當(dāng)?shù)霓D(zhuǎn)換。例如年齡，以連續(xù)性變量帶入模型時，其解釋為年齡每增加一歲時對于因變量的影響。但往往年齡增加一歲，其效應(yīng)是很微弱的，并沒有太大的實際意義。

此時，我們可以將年齡這個連續(xù)性變量進行離散化，按照10歲一個年齡段進行劃分，如0-10、11-20、21-30、31-40等等，將每一組賦值為1、2、3、4，此時構(gòu)建模型的回歸系數(shù)就可以解釋為年齡每增加10歲時對因變量的影響。

以上賦值方式是基于一個前提，即年齡與因變量之間存在著一定的線性關(guān)系。但有時候可能會出現(xiàn)以下情況，例如在年齡段較低和較高的人群中，某種疾病的死亡率較高，而在中青年人群中，死亡率卻相對較低，年齡和死亡結(jié)局之間呈現(xiàn)一個U字型的關(guān)系，此時再將年齡段賦值為1、2、3、4就顯得不太合理了。

因此，當(dāng)我們無法確定自變量和因變量之間的變化關(guān)系，將連續(xù)性自變量離散化時，可以考慮進行啞變量轉(zhuǎn)換。

還有一種情況，例如將BMI按照臨床診斷標(biāo)準(zhǔn)分為體重過低、正常體重、超重、肥胖等幾種分類時，由于不同分類之間劃分的切點是不等距的，此時賦值為1、2、3就不太符合實際情況，也可以考慮將其轉(zhuǎn)化為啞變量。

在設(shè)定啞變量時，應(yīng)該選擇哪一類作為參照呢？

1. 一般情況下，可以選擇有特定意義的，或者有一定順序水平的類別作為參照

例如，婚姻狀態(tài)分為未婚、已婚、離異、喪偶等情況，可以將“未婚”作為參照；或者如學(xué)歷，分為小學(xué)、中學(xué)、大學(xué)、研究生等類別，存在著一定的順序，可以將“小學(xué)”作為參照，以便于回歸系數(shù)更容易解釋。

2. 可以選擇臨床正常水平作為參照

例如，BMI按照臨床診斷標(biāo)準(zhǔn)分為體重過低、正常體重、超重、肥胖等類別，此時可以選擇“正常體重”作為參照，其他分類都與正常體重進行比較，更具有臨床實際意義。

3. 還可以將研究者所關(guān)注的重點類別作為參照

例如血型，分為A、B、O、AB四個類型，研究者更關(guān)注O型血的人，因此可以將O型作為參照，來分析其他血型與O型相比后對于結(jié)局產(chǎn)生影響的差異。

4. R語言中實現(xiàn)

在R語言中對包括分類變量(factor)的數(shù)據(jù)建模時，一般會將其自動處理為虛擬變量或啞變量(dummy variable)。但有一些特殊的函數(shù)，如neuralnet包中的neuralnet函數(shù)就不會預(yù)處理。如果直接將原始數(shù)據(jù)扔進去，會出現(xiàn)”requires numeric/complex matrix/vector arguments”需要數(shù)值/復(fù)數(shù)矩陣/矢量參數(shù)錯誤。

這個時候，除了將這些變量刪除，我們只能手動將factor variable轉(zhuǎn)換為取值(0,1)的虛擬變量。所用的函數(shù)一般有model.matrix(),nnet package中的class.ind()

下面以UCI的german credit data為例說明。

首先，從UCI網(wǎng)站上下載到german.data數(shù)據(jù)集，并用str函數(shù)對其有個簡單的認識。

download.file("http://archive.ics.uci.edu/ml/machine-learning-databases/statlog/german/german.data", "./german.data")
data <- read.table("./german.data")
str(data)

該數(shù)據(jù)有21個變量，其中V21為目標(biāo)變量，V1-V20中包括integer和factor兩種類型。下面將用V1分類變量（包含4個level）和V2,V5,V8三個數(shù)值型變量作為解釋變量建模。

## 'data.frame':    1000 obs. of  21 variables:
##  $ V1 : Factor w/ 4 levels "A11","A12","A13",..: 1 2 4 1 1 4 4 2 4 2 ...
##  $ V2 : int  6 48 12 42 24 36 24 36 12 30 ...
##  $ V3 : Factor w/ 5 levels "A30","A31","A32",..: 5 3 5 3 4 3 3 3 3 5 ...
##  $ V4 : Factor w/ 10 levels "A40","A41","A410",..: 5 5 8 4 1 8 4 2 5 1 ...
##  $ V5 : int  1169 5951 2096 7882 4870 9055 2835 6948 3059 5234 ...
##  $ V6 : Factor w/ 5 levels "A61","A62","A63",..: 5 1 1 1 1 5 3 1 4 1 ...
##  $ V7 : Factor w/ 5 levels "A71","A72","A73",..: 5 3 4 4 3 3 5 3 4 1 ...
##  $ V8 : int  4 2 2 2 3 2 3 2 2 4 ...
##  $ V9 : Factor w/ 4 levels "A91","A92","A93",..: 3 2 3 3 3 3 3 3 1 4 ...
##  $ V10: Factor w/ 3 levels "A101","A102",..: 1 1 1 3 1 1 1 1 1 1 ...
##  $ V11: int  4 2 3 4 4 4 4 2 4 2 ...
##  $ V12: Factor w/ 4 levels "A121","A122",..: 1 1 1 2 4 4 2 3 1 3 ...
##  $ V13: int  67 22 49 45 53 35 53 35 61 28 ...
##  $ V14: Factor w/ 3 levels "A141","A142",..: 3 3 3 3 3 3 3 3 3 3 ...
##  $ V15: Factor w/ 3 levels "A151","A152",..: 2 2 2 3 3 3 2 1 2 2 ...
##  $ V16: int  2 1 1 1 2 1 1 1 1 2 ...
##  $ V17: Factor w/ 4 levels "A171","A172",..: 3 3 2 3 3 2 3 4 2 4 ...
##  $ V18: int  1 1 2 2 2 2 1 1 1 1 ...
##  $ V19: Factor w/ 2 levels "A191","A192": 2 1 1 1 1 2 1 2 1 1 ...
##  $ V20: Factor w/ 2 levels "A201","A202": 1 1 1 1 1 1 1 1 1 1 ...
##  $ V21: int  1 2 1 1 2 1 1 1 1 2……

首先加載neuralnet包嘗試一下，只用數(shù)值型變量建模，沒有報錯。

library("neuralnet")
NNModelAllNum <- neuralnet(V21 ~ V2 + V5 + V8, data)
NNModelAllNum

當(dāng)我們把V1放入解釋變量中出現(xiàn)了如下錯誤

NNModel <- neuralnet(V21 ~ V1 + V2 + V5 + V8, data)
## Error: 需要數(shù)值/復(fù)數(shù)矩陣/矢量參數(shù)

此時可以用model.matrix函數(shù)將V1轉(zhuǎn)化為三個虛擬變量，V1A12,V1A13,V1A14。

>dummyV1 <- model.matrix(~V1, data)
>head(cbind(dummyV1, data$V1))
   (Intercept) V1A12 V1A13 V1A14  
 1           1     0     0     0 1
 2           1     1     0     0 2
 3           1     0     0     1 4
 4           1     0     0     0 1
 5           1     0     0     0 1
 6           1     0     0     1 4

因為model.matrix函數(shù)對數(shù)值型和分類Level=2的類別型變量沒有影響，所以可以將四個變量一起用該函數(shù)生成新的數(shù)據(jù)集modelData，就可以用該數(shù)據(jù)集建模了。

>modelData <- model.matrix(~V1 + V2 + V5 + V8 + V21, data)
>head(modelData)
   (Intercept) V1A12 V1A13 V1A14 V2   V5 V8 V21
 1           1     0     0     0  6 1169  4   1
 2           1     1     0     0 48 5951  2   2
 3           1     0     0     1 12 2096  2   1
 4           1     0     0     0 42 7882  2   1
 5           1     0     0     0 24 4870  3   2
 6           1     0     0     1 36 9055  2   1

另一種方法是來自nnet package的class.ind函數(shù)

>library("nnet")
>dummyV12 <- class.ind(data$V1)
>head(dummyV12)
      A11 A12 A13 A14
 [1,]   1   0   0   0
 [2,]   0   1   0   0
 [3,]   0   0   0   1
 [4,]   1   0   0   0
 [5,]   1   0   0   0
 [6,]   0   0   0   1

可以看到，該結(jié)果和model.matrix稍有區(qū)別，生成了四個虛擬變量。要注意，為了避免多重共線性，對于level=n的分類變量只需選取其任意n-1個虛擬變量。

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。