R語言caret包的學習（三）--數據分割

本文將就caret包中的數據分割部分進行介紹學習。主要包括如下函數：createDataPartition()，maxDissim()，createTimeSlices()，createFolds()，createResample()，groupKFold()等

基於輸出結果的簡單分割

createDataPartition函數用於建立平衡數據的分割。若是函數中的參數y是一個因子向量，則對每一類隨機抽樣，而且保持數據總體類別的分類。

 createDataPartition(y, times = 1, p = 0.5, list = TRUE, groups = min(5, length(y))) 

•  y  結果向量
• times  建立分區的數目
• p 將要用於訓練的數據的百分比
• list  邏輯值。true時，返回結果爲列表形式，不然，爲floor(p * length(y))行 times列的矩陣
• groups  對於數值y，樣本根據百分位數分紅組，並在這些子組內進行採樣。百分比的數量經過groups參數設置。

基於特徵變量的分割

函數maxDissim應用最大相異方法（maximum dissimiarity approach）建立子樣本。假設有一個m個樣本的數據集A和具備n個樣本的一個大數據集B。咱們但願從B中抽取和A不一樣的子樣本。爲了這樣作，對於B中的每個樣本，函數計算與A中每同樣本點的相異性。把B中最大相異性的點加到A並繼續。注意，計算相異性時，要加載proxy包

 maxDissim(a, b, n = 2, obj = minDiss, useNames = FALSE, randomFrac = 1, verbose = FALSE, ...) 

• a  小樣本數據集，矩陣或數據框
• b  大樣本數據集，矩陣或數據框
• n  子樣本的大小，其實就是最後想要找出的相異性樣本的個數
• obj  衡量整體差別的函數，經常使用的有minDiss，sumDiss
• useNames  邏輯值，true返回行名，false返回行索引
• randomFrac  在(0,1]中的數值，用於從剩餘候選值中進行子採樣
• verbose  邏輯值，是否顯示每步過程

時間序列的數據分割

時間序列簡單隨機抽樣並非對時間序列抽樣的最好的方法。Hyndman和Athanasopoulos（2013）討論了rolling forecasting origin技術。caret包 包含了createTimeSlices函數，它能建立這種類型的切片。

 createTimeSlices(y, initialWindow, horizon = 1, fixedWindow = TRUE, skip = 0) 

• y  結果向量，按年代或其餘時間順序
• initialWindow  每一個訓練集樣本中連續值的初始數量
• horizon  測試樣本中的連續值的數量
• fixedWindow  邏輯值，false時，全部訓練樣本從1開始
• skip  整數，how many (if any) resamples to skip to thin the total amount

horizon參數值不一樣時的情形：horizon分別爲1,3時，測試樣本的數量分別爲1,3

fixedWindow分別爲TRUE和FALSE時的情形，可見爲false時，訓練樣本老是從頭開始。

skip參數，注意skip爲3時，不一樣訓練樣本的第一個索引依次加4

 

其餘相似函數

此外，在製造訓練集時，還有如下可能用到的函數

一、 createFolds(y, k = 10, list = TRUE, returnTrain = FALSE) 

 其中，k是folds的數目，list，是否以列表形式返回，returnTrain，false時返回的是測試集的索引，true時返回的是訓練集的索引（僅當list=TRUE時，returnTrain=TRUE纔有效）

二、  createResample(data,k) 

其中，k是建立訓練樣本的個數

三、   groupKFold(group, k = length(unique(group))) 

其中，k是folds的數目

 

參考：http://topepo.github.io/caret/data-splitting.html （其中文翻譯見）