如何计算 R 中的 KNN 变量重要性

Question

我实施了一个作者归属项目，我能够使用 KNN 用两位作者的文章训练我的 KNN 模型。然后，我将一篇新文章的作者分类为作者 A 或作者 B。我使用 knn() 函数生成模型。模型的输出如下表。

   Word1 Word2 Word3  Author
11    1     48    8      A
2     2     0     0      B
29    1     45    9      A
1     2     0     0      B
4     0     0     0      B
28    3     1     1      B

从模型中可以明显看出，Word2 和 Word3 是导致 Author A 和 Author B 分类的最显着变量。

我的问题是如何使用 R 识别这一点。

Answer 1

基本上，您的问题归结为有一些变量（在您的示例中为 Word1、Word2 和 Word3）和一个二元结果（在您的示例中为作者），并想知道不同变量在确定该结果中的重要性。一种自然的方法是训练回归模型以使用变量预测结果并检查该模型中变量的重要性。我将在这里包括两种方法（逻辑回归和随机森林），但可以使用许多其他方法。

我们从一个稍微大一点的例子开始，其中结果只取决于Word2和Word3，而Word2的影响比Word3大很多：

set.seed(144)
dat <- data.frame(Word1=rnorm(10000), Word2=rnorm(10000), Word3=rnorm(10000))
dat$Author <- ifelse(runif(10000) < 1/(1+exp(-10*dat$Word2+dat$Word3)), "A", "B")

我们可以使用预测作者的逻辑回归模型的总结来确定最重要的变量：

summary(glm(I(Author=="A")~., data=dat, family="binomial"))
# [snip]
# Coefficients:
#             Estimate Std. Error z value Pr(>|z|)    
# (Intercept)  0.05117    0.04935   1.037    0.300    
# Word1       -0.02123    0.04926  -0.431    0.666    
# Word2        9.52679    0.26895  35.422   <2e-16 ***
# Word3       -0.97022    0.05629 -17.236   <2e-16 ***

从 p 值中，我们可以看到 Word2 有很大的正面影响，Word3 有很大的负面影响。从系数中我们可以看到 Word2 对结果的影响程度更高（因为通过构造我们知道所有变量都在同一尺度上）。

我们可以类似地使用随机森林中的变量重要性来预测作者的结果：

library(randomForest)
rf <- randomForest(as.factor(Author)~., data=dat)
rf$importance
#       MeanDecreaseGini
# Word1         294.9039
# Word2        4353.2107
# Word3         351.3268

我们可以将 Word2 确定为迄今为止最重要的变量。这告诉我们一些有趣的事情——鉴于我们知道 Word2，Word3 在预测结果方面实际上并不比 Word1 有用太多（而且 Word1 不应该太有用，因为它不用于计算结果） .