R H20 - 分层抽样和非独立同分布的交叉验证行

Question

我正在使用 H2O 来分析数据集，但我不确定如何正确地对我的数据集执行交叉验证。我有一个不平衡的数据集，所以我想执行分层交叉验证（输出变量是否用于平衡每个分区上的组）。

但是，除此之外，我还有一个问题，即我的许多行都是重复的（一种在没有实际权重的情况下实现权重的方法）。独立于这个问题的来源，我之前已经看到，在某些情况下，如果某些行必须保持在一起，您可以进行交叉验证。这似乎是 fold_column 的用法。但是，两者不能同时进行吗？

如果没有 H2O 解决方案，我如何先验计算折叠并在 H2O 上使用它？

Answer 1

基于H2O-3 docs，这是无法做到的：

请注意，所有三个选项都只适用于 i.i.d 的数据集。如果数据集需要自定义分组以执行有意义的交叉验证，则应创建并提供 fold_column。

一个快速的想法是使用weights_column 而不是复制行。然后balance_classes 和weights_column 都可以作为参数一起使用 GBM、DRF、深度学习、GLM、朴素贝叶斯和 AutoML。

否则，我建议在 R 或 H2O 中对您的数据执行以下工作流程，以实现折叠分配和折叠之间重复的一致性：

1. 获取原始数据集（数据中没有重复）
2. 根据结果字段（不平衡的一组）将其分为 2 组：一组表示正数，一组表示负数（如果是多项式，则与结果一样多的组）
3. 通过在两个集合中独立分配新的foldId 列将每个集合分成 N 个折叠：这实现了分层折叠
4. 将 (rbind) 两个集合重新组合在一起
5. 应用实现权重的行复制过程（现在将自动保留您的折叠分配）。