Caret - 基于多个变量创建分层数据集答案

【问题标题】：Caret - creating stratified data sets based on several variablesCaret - 基于多个变量创建分层数据集
【发布时间】：2019-07-01 03:53:11
【问题描述】：

在 R 包 caret 中，我们能否使用函数 createDataPartition()（或用于交叉验证的 createFolds()）基于多个变量创建分层训练和测试集？

这是一个变量的示例：

#2/3rds for training
library(caret)
inTrain = createDataPartition(df$yourFactor, p = 2/3, list = FALSE)
dfTrain=df[inTrain,]
dfTest=df[-inTrain,]

在上面的代码中，训练集和测试集按“df$yourFactor”分层。但是是否可以使用多个变量（例如“df$yourFactor”和“df$yourFactor2”）进行分层？以下代码似乎可以工作，但我不知道它是否正确：

inTrain = createDataPartition(df$yourFactor, df$yourFactor2, p = 2/3, list = FALSE)

【问题讨论】：

创建这些“分层数据集”的目标是沿结果变量拆分数据。除非您试图获得两个变量的结果，否则我不知道这是否是个好主意。
你签入MLR包了吗？
@NelsonGon，这并不总是目标。人们可能还想对其他事情进行分层。例如，我不希望我的测试集与我的训练集根本不同，例如所有非常年轻的人，而我的训练集具有均匀分布的年龄，包括年轻人。

标签： r r-caret

【解决方案1】：

如果您使用tidyverse，这相当简单。

例如：

df <- df %>%
  mutate(n = row_number()) %>% #create row number if you dont have one
  select(n, everything()) # put 'n' at the front of the dataset
train <- df %>%
  group_by(var1, var2) %>% #any number of variables you wish to partition by proportionally
  sample_frac(.7) # '.7' is the proportion of the original df you wish to sample
test <- anti_join(df, train) # creates test dataframe with those observations not in 'train.'

【讨论】：

太棒了！这正是我一直在寻找的！
很实用很整洁;)
有没有办法用这种方法做类似设置种子的事情？

【解决方案2】：

有更好的方法来做到这一点。

set.seed(1)
n <- 1e4
d <- data.frame(yourFactor = sample(1:5,n,TRUE), 
                yourFactor2 = rbinom(n,1,.5),
                yourFactor3 = rbinom(n,1,.7))

分层指标

d$group <- interaction(d[, c('yourFactor', 'yourFactor2')])

样本选择

indices <- tapply(1:nrow(d), d$group, sample, 30 )

获取子样本

subsampd <- d[unlist(indices, use.names = FALSE), ]

这样做是在yourFactor 和yourFactor2 的每个组合上生成一个大小为 30 的随机分层样本。

【讨论】：