R model.matrix设置

Question

我有一个数据集，我在其中使用model.matrix()函数将因子变量转换为虚拟变量。我的数据有10列，每个列有3个级别(2,3,4)，我已经分别为每个列创建了虚拟变量。

xFormData <- function(dataset){
    mm0 <- model.matrix(~ factor(dataset$type) , data=dataset)
    mm1 <- model.matrix(~ factor(dataset$type_last1), data = dataset)
    mm2 <- model.matrix(~ factor(dataset$type_last2), data = dataset)
    mm3 <- model.matrix(~ factor(dataset$type_last3), data = dataset)
    mm4 <- model.matrix(~ factor(dataset$type_last4), data = dataset)
    mm5 <- model.matrix(~ factor(dataset$type_last5), data = dataset)
    mm6 <- model.matrix(~ factor(dataset$type_last6), data = dataset)
    mm7 <- model.matrix(~ factor(dataset$type_last7), data = dataset)
    mm8 <- model.matrix(~ factor(dataset$type_last8), data = dataset)
    mm9 <- model.matrix(~ factor(dataset$type_last9), data = dataset)
    mm10 <- model.matrix(~ factor(dataset$type_last10), data = dataset)

    dataset <- cbind(dataset, mm0, mm1, mm2, mm3, mm4, mm5, mm6, mm7, mm8, mm9, mm10)

dataset
}

我想知道这是否是错误的过程，因为在对数据运行randomForest并绘制变量重要性之后，它分别显示了不同的虚拟变量列。因此，假设第61-63列是第10列的3个虚拟变量，randomForest将第62列本身视为一个重要的预测值。

我有两个问题：

1)这样可以吗？

2)如果不是，我如何对虚拟变量进行分组，以便rf知道它们在一起？

Answer 1

这是可以的，如果你把这些因素作为因素，这就是幕后发生的事情。对于大多数机器学习而言，因子的不同级别是不同的特征。想一个像test outcome ~ school这样的随机例子:也许去A学校可以很好地预测你是否通过测试，但不能预测B学校或C学校。那么，A学校的功能将是有用的，但其他功能就没有用了。

这在caret vignette文档之一中有所介绍：http://cran.r-project.org/web/packages/caret/vignettes/caretMisc.pdf

此外，caret附带的cars数据集应该是一个有用的示例。它包含两个因素-“制造商”和“汽车类型”-这两个因素已被虚拟编码为一系列用于机器学习的数字特征。

data(cars, package='caret')
head(cars)