R 分层多个列以进行交叉验证
我见过很多方法通过单个变量对样本进行分层,以用于交叉验证。R 分层多个列以进行交叉验证,r,partitioning,cross-validation,r-caret,R,Partitioning,Cross Validation,R Caret,我见过很多方法通过单个变量对样本进行分层,以用于交叉验证。caret包通过createFolds()函数很好地实现了这一点。默认情况下,caret将进行分区,使每个折叠具有大致相同的目标事件率 我想做的是按目标利率和时间进行分层。我发现一个函数可以部分实现这一点,它是splitstackshape包,并使用lavelized()函数。尽管该函数的问题是它返回一个样本,但在给定条件下它不会将数据分成k个组 这里有一些虚拟数据需要复制 set.seed(123) time = rep(seq(1:
caret
包通过createFolds()
函数很好地实现了这一点。默认情况下,caret
将进行分区,使每个折叠具有大致相同的目标事件率
我想做的是按目标利率和时间进行分层。我发现一个函数可以部分实现这一点,它是splitstackshape
包,并使用lavelized()
函数。尽管该函数的问题是它返回一个样本,但在给定条件下它不会将数据分成k个组
这里有一些虚拟数据需要复制
set.seed(123)
time = rep(seq(1:10),100)
target = rbinom(n=100, size=1, prob=0.3)
data = as.data.frame(cbind(time,target))
table(data$time,data$target)
0 1
1 60 40
2 80 20
3 80 20
4 60 40
5 80 20
6 80 20
7 60 40
8 60 40
9 70 30
10 80 20
正如您所看到的,目标事件率在不同的时间段是不同的。时间1为40%,时间2为20%,等等。我希望在创建用于交叉验证的折叠时保留这一点。如果我理解正确,插入符号将按总事件率进行划分
table(data$target)
0 1
710 290
总的来说,30%的比率将保持不变,但随着时间的推移,目标事件率将不会保持不变
我们可以得到这样一个样本:
library(splitstackshape)
train.index <- stratified(data,c("target","time"),size=.2)
库(splitstackshape)
train.index我知道这篇文章很旧,但我也遇到了同样的问题,我找不到其他解决办法。如果其他人需要答案,下面是我正在实施的解决方案
library(data.table)
mystratified <- function(indt, group, NUM_FOLDS) {
indt <- setDT(copy(indt))
if (is.numeric(group))
group <- names(indt)[group]
temp_grp <- temp_ind <- NULL
indt[, `:=`(temp_ind, .I)]
indt[, `:=`(temp_grp, do.call(paste, .SD)), .SDcols = group]
samp_sizes <- indt[, .N, by = group]
samp_sizes[, `:=`(temp_grp, do.call(paste, .SD)), .SDcols = group]
inds <- split(indt$temp_ind, indt$temp_grp)[samp_sizes$temp_grp]
z = unlist(inds,use.names=F)
model_folds <- suppressWarnings(split(z, 1:NUM_FOLDS))
}
例如,每个折叠的序列和验证数据如下:
# first fold
train = data[-myfolds[[1]],]
valid = data[myfolds[[1]],]
# second fold
train = data[-myfolds[[2]],]
valid = data[myfolds[[2]],]
# etc...
# first fold
train = data[-myfolds[[1]],]
valid = data[myfolds[[1]],]
# second fold
train = data[-myfolds[[2]],]
valid = data[myfolds[[2]],]
# etc...