分区数据，同时保留带有插入符号的组答案

【问题标题】：Partition data while preserving groups with caret分区数据，同时保留带有插入符号的组
【发布时间】：2020-01-19 12:20:55
【问题描述】：

为跨栈帖子道歉，我不确定这是否更适合 stackoverflow 或 crossvalidated。我最初在后者上发帖，但意识到这可能是更合适的地方。

所以，我有一个包含许多个人行的数据集，每个人都有一个独特的个人ID。

对于每个人，还有一列表示该人是否属于同一家庭，这是唯一的householdID。

最后，每行都有一个Target 变量，我将尝试对它进行预测。当然，也有具有不同特征的列。

我的问题是——由于不同家庭的成员身份很重要——有没有办法将数据划分为训练集和测试集，其中属于同一家庭的所有人都放在一起，而不是随机分成两组? （即，任何给定的householdID 号码都不应出现在两组中）。但是，是否可以在训练集和测试集上拆分家庭并保持平衡的Target 变量？

因此，使用caret 中的createDataPartition 函数，当我设置y = Target 时，我设法在训练和测试中获得平衡的Target 值，并且我已经成功地将家庭分开当我设置y = unique(householdID) 时，通过训练和测试，但我不知道是否有办法同时获得这两个结果。

我完全没有想法，所以欢迎任何建议！

谢谢！

【问题讨论】：

这称为阻塞（按familyID）。在没有人工干预的情况下，很难根据 y 进行分层拆分并被另一个变量阻塞。我建议只专注于阻塞。用不同的种子做一堆分裂，并检查每个分裂的目标。然后选择一个最平衡的。如果您需要进一步的帮助，请提供一些数据供您参考。
感谢@missuse 的建议。没有看到任何其他方法，我会尝试你的建议，因为它应该是可行的。谢谢！

标签： r r-caret train-test-split

【解决方案1】：

groupKFold 是要走的路。但是，您需要拆分 data$householdID （或任何您的家庭 ID 列的名称），而不是使用 data$Target。这将确保一个组的所有成员都在同一个折叠中。

在此之后，您可以使用trainControl 中的折叠对 data$Target 进行建模。

【讨论】：

嗨@phiver，感谢您的建议，但您提到该组的成员在同一个文件夹中，这是让我对groupKFold 功能感到困惑的部分——也就是说，这个功能仅用于为 CV 目的制作数据的 k 倍？就我而言，我正在尝试将数据初始拆分为训练集和测试集，其中两个集中都没有出现 householdID 值，但 Target 变量在两者之间保持平衡。这有意义吗？