我的问题与caret: combine createResample and groupKFold中提出的问题非常相似
唯一的区别是:我需要在分组之后创建分层折叠(也重复10次)而不是自举重新采样(据我所知,它没有分层)使用它与插入符号's trainControl. The following code is working with 10-fold repeated CV but I couldn' t包括基于"ID"的数据分组( df$ID
) .
# creating indices
cv.10.folds <- createMultiFolds(rf_label, k = 10, times = 10)
# creating folds
ctrl.10fold <- trainControl(method = "repeatedcv", number = 10, repeats = 10, index = cv.10.folds)
# train
rf.ctrl10 <- train(rf_train, y = rf_label, method = "rf", tuneLength = 6,
ntree = 1000, trControl = ctrl.10fold, importance = TRUE)
这是我的实际问题:我的数据包含许多由20个实例组成的组,具有相同的"ID" . 因此,当使用重复10次的10倍CV时,我会在训练中获得一组实例,并在验证集中获得一些实例 . 我想避免这种情况,但总的来说我需要对预测值进行分层分区( df$Label
) . (具有相同"ID"的所有实例也具有相同的预测/标签值 . )
在上面链接提供和接受的答案中(参见下面的部分)我想我必须修改 folds2
行以包含分层的10倍CV而不是自举
folds <- groupKFold(x)
folds2 <- lapply(folds, function(x) lapply(1:10, function(i) sample(x, size = length(x), replace = TRUE)))
但不幸的是我无法弄清楚到底是怎么回事 . 你能帮帮我吗?
1 回答
这是一种用阻塞进行分层重复K倍CV的方法 .
一些假数据,其中id将是阻塞因素:
通过阻塞因子总结观察结果:
根据分组数据创建分层折叠:
返回将原始df加入组数据并获取df行id
检查测试中的数据ID是否不在列车中:
输出是一堆零,意味着测试折叠中没有id在列车折叠中 .
如果您的组ID不是数字,则有两种方法可以使其工作:
1将它们转换为数字:
首先是一些数据
2根据折叠索引过滤分组数据中的id,然后按id加入
它是否适用于插入符号?
另外我建议您查看库
mlr
,它有许多不错的功能,包括阻止 - here is one answer on SO . 它有许多非常好的教程things . 很长一段时间,我以为你要么使用caret
或mlr
,但它们相互补充非常好 .