sparse.model.matrix与as.matrix的区别

Question

我正在使用R中的xgboost在训练数据集train上建立分类模型。train具有以下属性。

1. 它具有所有的数字特性。
2. 没有丢失的值。
3. 不存在分类/文本/因素变量。
4. TARGET是接受1/0值的目标变量。

xgb.train要求以特定格式传递数据，因此我尝试了以下两种方法来获得xgb.train所需的格式。

1.

y <- train$TARGET
train <- sparse.model.matrix(TARGET ~ ., data = train) ##has 76000 rows and 307 columns
xgtrain <- xgb.DMatrix(data=train, label=y)

2.

y <- train$TARGET
train$TARGET <- NULL
x = as.matrix(train)
x = matrix(as.numeric(x),nrow(x),ncol(x)) ##has 76000 rows and 307 columns
xgtrain = xgb.DMatrix(x, label = y)

现在，当我使用这两个xgtrain 创建方法建立的模型对测试集进行评分时，我得到了不同的分数/AUC。我已经证实，这不是随机化的问题，因为我已经能够重现分数，如果我运行第一或第二方法两次/三次。在这两种方法中发生了一些不同的事情，我一直无法弄清楚。有谁能帮我找出这个区别吗？

换句话来说。当提供给sparse.model.matrix 的数据只有数值特性而不缺少值和没有分类变量的情况下，与有什么不同呢？

Answer 1

使用公式(在sparse.model.matrix中)为您的数据添加一个截距(例如，包含所有1s的列)。因此，两个矩阵是不同的，因此结果是不同的。为避免这种使用：

train = sparse.model.matrix(TARGET~.-1,data = train)

此外，用数据模型矩阵覆盖数据集可能不是一个好主意(同时命名两个“列车”)。

Answer 2

> data <- 
+     data.table(
+         a=c(1,2,NA)
+         ,b=c(3,NA,4)
+     ) %>%
+     mutate_all(as.factor)
> data %>% 
+     sparse.model.matrix(a ~.-1,data=.)
1 x 2 sparse Matrix of class "dgCMatrix"
  b3 b4
1  1  .
> data %>% 
+     as.matrix()
     a   b  
[1,] "1" "3"
[2,] "2" NA 
[3,] NA  "4"

使用sparse.model.matrix方法后，您会发现，缺少值的行将被迫删除。