基于两个变量创建分区

Question

我有一个包含两个结果变量的数据集，case1 和 case2。 Case1 有 4 个级别，而 case2 有 50 个（case2 中的级别可能会在以后增加）。我想为训练创建数据分区并测试在这两种情况下保持比率。 case1 和 case2 的真实数据是不平衡的。例如，

library(caret)

set.seed(123)
matris=matrix(rnorm(10),1000,20)
case1 <- as.factor(ceiling(runif(1000, 0, 4)))
case2 <- as.factor(ceiling(runif(1000, 0, 50)))

df <- as.data.frame(matris)
df$case1 <- case1
df$case2 <- case2

split1 <- createDataPartition(df$case1, p=0.2)[[1]]
train1 <- df[-split1,]
test1 <- df[split1,]
length(split1)
201

split2 <- createDataPartition(df$case2, p=0.2)[[1]]
train2 <- df[-split2,]
test2 <- df[split2,]
length(split2)
220

如果我进行单独拆分，我会得到不同长度的数据框。如果我根据 case2 进行一次拆分（一个有更多类），我会丢失 case1 的类比率。

我将分别预测这两种情况，但最后我的准确性将通过两种情况的完全匹配来给出（例如，ix = which(pred1 == case1 & pred2 == case2)，所以我需要数组大小相同。

有没有聪明的方法来做到这一点？

谢谢！

Answer 1

如果我理解正确（我不保证），我可以提供以下方法：

按 case1 和 case2 分组，得到分组索引

library(tidyverse)

df %>%
  select(case1, case2) %>%
  group_by(case1, case2) %>%
  group_indices() -> indeces

在创建数据分区中使用这些索引作为结果变量：

split1 <- createDataPartition(as.factor(indeces), p=0.2)[[1]]

检查是否满意：

table(df[split1,22])
#output
 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 
 5  6  5  8  5  5  6  6  4  6  6  6  6  6  5  5  5  4  4  7  5  6  5  6  7  5  5  8  6  7  6  6  7 
34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 
 4  5  6  6  6  5  5  6  5  6  6  5  4  5  6  4  6

table(df[-split1,22])
#output
 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 
15 19 13 18 12 13 16 15  8 13 13 15 21 14 11 13 12  9 12 20 17 15 16 19 16 11 14 21 13 20 18 13 16 
34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 
 9  6 12 19 14 10 16 19 17 17 16 14  4 15 14  9 19 

table(df[split1,21])
#output
 1  2  3  4 
71 70 71 67 

table(df[-split1,21])
  1   2   3   4 
176 193 174 178