线性模型迭代拟合，并使用varImp（）计算迭代过程中所有预测值的变量重要性

我希望迭代拟合线性模型（=LM），并在每次迭代后使用

caret:：varImp（）

函数计算各个变量/预测值的变量重要性。我的数据表和天数如下所示（

dt.train

的列数总是不同的，

days

变量也不同）：

现在，我希望有一个循环为我构建迭代，如下所示：

1。运行：模型拟合，数据从“2020-01-01”到“2020-02-20”（这里正好是50天）

2。运行：模型拟合，数据从“2020-01-02”到“2020-02-21”

3。运行：模型拟合，数据从“2020-01-03”到“2020-02-22”

…等等

上次运行：模型与“2020-11-11”到“2020-12-31”的数据拟合

---

然后，应始终将变量重要性保存在新表中，以匹配模型拟合，即：

1的可变重要性。运行：应声明为“2020-01-01”

2的可变重要性。运行：应为“2020-01-02”声明

。。。等等

上次运行的变量重要性：应声明为“2020-11-11”

---

这是怎么回事？

您可以使用

zoo

软件包中的

rollapply

重要论点包括：

• width

  设置窗口

• by.column=FALSE

  将所有列一起传递给模型

• aligned='left'

  以便滚动窗口从屏幕上的第一个数据点开始

由于

rollappy

在矩阵上工作，它将

日期

与

数字

混合转换为

字符

，因此必须单独处理

日期

字段

库（data.table）
图书馆（插入符号）
图书馆（动物园）
d 314:2020-11-09 4.464356 0.8773634 0.8845554 0.19480862
#> 315: 2020-11-10 4.532254 0.8230178 0.7147899 0.38073588
#> 316: 2020-11-11 4.415192 0.7462676 0.8225977 0.32353235
#> 317: 2020-11-12 3.666675 0.3957351 0.6607121 0.19661800

---

此解决方案比您已经使用的函数需要更多的时间，因为它的计算量是chunck版本的50倍。也无法使用

数据。table:：frollapply

，AFAIK只能输出一维向量。

您可以使用

zoo

软件包中的

rollappy

重要论点包括：

• width

  设置窗口

• by.column=FALSE

  将所有列一起传递给模型

• aligned='left'

  以便滚动窗口从屏幕上的第一个数据点开始

由于

rollappy

在矩阵上工作，它将

日期

与

数字

混合转换为

字符

，因此必须单独处理

日期

字段

库（data.table）
图书馆（插入符号）
图书馆（动物园）
d 314:2020-11-09 4.464356 0.8773634 0.8845554 0.19480862
#> 315: 2020-11-10 4.532254 0.8230178 0.7147899 0.38073588
#> 316: 2020-11-11 4.415192 0.7462676 0.8225977 0.32353235
#> 317: 2020-11-12 3.666675 0.3957351 0.6607121 0.19661800

---

此解决方案比您已经使用的函数需要更多的时间，因为它的计算量是chunck版本的50倍。也无法使用AFAIK只能输出一维向量的

data.table:：frollapply

。

Hi！不幸的是，当我将此应用于GAM时，它并没有像希望的那样工作，火星模型也是如此。在我们之前的讨论中，每个模型都有其约束条件，确保数据符合这些约束条件可能会很乏味。但是，我看不出上述方法不适用于其他模型类型的根本原因。嗨！不幸的是，当我将此应用于GAM时，它并没有像希望的那样工作，火星模型也是如此。在我们之前的讨论中，每个模型都有其约束条件，确保数据符合这些约束条件可能会很乏味。但是，我看不出上述方法不适用于其他模型类型的根本原因。

d <- 50  
## Create random data table: ##
dt.train <- data.table(date = seq(as.Date('2020-01-01'), by = '1 day', length.out = 366),
                       "DE" = rnorm(366, 35, 1), "Wind" = rnorm(366, 5000, 2), "Solar" = rnorm(366, 3, 2),
                       "Nuclear" = rnorm(366, 100, 5), "ResLoad" = rnorm(366, 200, 3),  check.names = FALSE)

varImportance <- function(data){
  ## Model fitting: ##
  lmModel <- stats::lm(DE ~ .-1-date, data = data)
  
  terms <- attr(lmModel$terms , "term.labels")
  varimp <- caret::varImp(lmModel)
  importance <- data[, .(date, imp = t(varimp))]
} 
## Get variable importance: ##
dt.importance <- dt.train[, varImportance(.SD), by = seq_len(nrow(dt.train)) %/% d]