用于特征选择的 t-stat

Question

我想在 R 中使用 for 循环计算特征选择的 t 统计量。数据有 155 列，因变量是二进制的（诱变剂 - 非诱变剂）。我想为每一列分配一个 t-stat。问题是我不知道怎么写。

这是我试图在 R 中实现的公式：

我也写了一个代码，但我不确定它是否只用于第一列。我需要将它写在所有列的 for 循环中。

abs(diff(tapply(train_df[,1], train_df$Activity, mean))) / sqrt(sd((train_df$NEG_01_NEG[train_df$Activity == "mutagen"])^2) / (length(train_df$NEG_01_NEG[train_df$Activity == "mutagen"])) + 
   sd((train_df$NEG_01_NEG[train_df$Activity != "mutagen"])^2) / (length(train_df$NEG_01_NEG[train_df$Activity != "mutagen"])))

提前致谢！

Answer 1

如果您不想担心速度（155 列您可能不在乎），您可以使用 t.test 函数并将其应用于每一列。

先模拟一些数据

set.seed(1)
DF <- data.frame(y=rep(1:2, 50), x1=rnorm(100), x2=rnorm(100), x3=rnorm(100))
head(DF)

  y         x1          x2         x3
1 1 -0.6264538 -0.62036668  0.4094018
2 2  0.1836433  0.04211587  1.6888733
3 1 -0.8356286 -0.91092165  1.5865884
4 2  1.5952808  0.15802877 -0.3309078
5 1  0.3295078 -0.65458464 -2.2852355
6 2 -0.8204684  1.76728727  2.4976616

然后我们可以使用公式参数将 t.test 函数应用于除第一列以外的所有列。

group <- DF$y
lapply(DF[,-1], function(x) { t.test(x ~ group)$statistic })

其中 returns 每列的检验统计量。

t.test 计算了很多您不需要的额外信息，因此您可以通过直接进行计算来显着加快速度，但这里确实没有必要

用于特征选择的 t-stat

t-stat for feature selection

r

machine-learning

t-test

feature-selection