按组处理/评分的随机森林

Question

我正在尝试使用客户数据库构建预测模型。

我有一个包含 3,000 个客户的数据集。每个客户在测试数据集中有 300 个观察值和 20 个变量（包括因变量）。我还有一个分数数据集，每个唯一的客户 ID 有 50 个观察值和 19 个变量（不包括因变量）。我将测试数据集放在一个单独的文件中，每个客户都由唯一的 ID 变量标识，同样，分数数据集也由唯一的 id 变量标识。

我正在开发一个基于 RandomForest 的预测模型。以下是单个客户的示例。我不确定如何自动为每个客户应用模型并有效地预测和存储模型。

    install.packages(randomForest)
    library(randomForest)
    sales <- read.csv("C:/rdata/test.csv", header=T)
    sales_score <- read.csv("C:/rdata/score.csv", header=T)

  ## RandomForest for Single customer

    sales.rf <- randomForest(Sales ~ ., ntree = 500, data = sales,importance=TRUE)
    sales.rf.test <- predict(sales.rf, sales_score)

我对 SAS 非常熟悉，开始学习 R。对于 SAS 程序员来说，有很多 SAS 程序是通过组处理来实现的，例如：

proc gam data = test;
by id;
model y = x1  x2 x3;
score data = test  out = pred;
run;

此 SAS 程序将为每个唯一 ID 开发一个游戏模型，并将其应用于每个唯一 ID 的测试集。有R等价物吗？

如果有任何例子或想法，我将不胜感激？

非常感谢

Answer 1

假设您的 sales 数据集是 3,000 * 300 = 900,000 行，并且两个数据框都有 customer_id 列，您可以执行以下操作：

pred_groups <- split(seq_len(nrow(sales_score)), sales_score$customer_id)
# pred_groups is now a list, with names the customer_id's and each list
# element an integer vector of row numbers. Now iterate over each customer
# and make predictions on the training set.
preds <- unsplit(structure(lapply(names(pred_groups), function(customer_id) {
  # Train using only observations for this customer.
  # Note we are comparing character to integer but R's natural type
  # coercion should still give the correct answer.
  train_rows <- sales$customer_id == customer_id
  sales.rf <- randomForest(Sales ~ ., ntree = 500,
                           data = sales[train_rows, ],importance=TRUE)

  # Now make predictions only for this customer.
  predict(sales.rf, sales_score[pred_groups[[customer_id]], ])
}), .Names = names(pred_groups)), sales_score$customer_id)

print(head(preds)) # Should now be a vector of predicted scores of length
  # the number of rows in the train set.

编辑：根据@joran，这是一个带有for 的解决方案：

pred_groups <- split(seq_len(nrow(sales_score)), sales_score$customer_id)
preds <- numeric(nrow(sales_score))
for(customer_id in names(pred_groups)) {
  train_rows <- sales$customer_id == customer_id
  sales.rf <- randomForest(Sales ~ ., ntree = 500,
                           data = sales[train_rows, ],importance=TRUE)
  pred_rows <- pred_groups[[customer_id]]
  preds[pred_rows] <- predict(sales.rf, sales_score[pred_rows, ])
})