我有来自3个站点的组合数据集,并且想知道通用关系如何与站点特定关系进行比较。该计划是k倍交叉验证。基于此cross validated question,我需要按比例从不同的站点进行采样,因为它们包含不同数量的观测值。我之前使用caret
完成了k-fold cv:
library(dplyr)
library(caret)
dF=data_frame(y=runif(100,1,6),x1=runif(100),x2=runif(100),site=c(rep('a',20),rep('b',20),rep('c',60)) %>% group_by(site)
train_control<- trainControl(method="repeatedcv", number = 4, repeats = 3, savePredictions = TRUE)
model<- train(y~x1*x2+I(x2^2), data=dF, trControl=train_control, method='glmStepAIC',family=gaussian(link='log'))# no need to preprocess because x1 and x2 both have theoretical values (0,1].
但现在还没有弄清楚如何改变分区,以便观察更多的网站不会对模型技能造成不公平的影响。
因此,我喜欢的最终结果是r2的数据帧和站点a,b和c以及所有数据的平均绝对误差。同样,我想知道每个模型场景中x1和x2的参数。
修改
我在插入符号文档中发现了downSample
,我认为应该对此有所帮助但我一直收到错误。有人知道为什么会这样吗? OSX 10.11.1,R 3.2.2,caret_6.0-58
down_train <- downSample(x = dplyr::select(datadF,-basin), y = as.factor(datadF$basin))
Error in sample.int(length(x), size, replace, prob) :
cannot take a sample larger than the population when 'replace = FALSE'
答案 0 :(得分:0)
我最终写下这些函数做我需要的:
我调用的函数partition_data
计算出每个盆地中有多少个洞,取所有盆地中的最小值,然后用frac
样本从每个盆地取出多少个样本。< / p>
第二个帮助函数基本上只从createDataPartition
包中为每个盆地调用caret
(使用dplyr
中的split / apply / combine),其中perc
是观察的百分比这应该被划分以适合每个特定的盆地。
partition_data = function(dF,frac) {
numobs = dF %>% group_by(basin) %>% summarise(nrw = n()) %>% summarise(frac*min(nrw)) %>% as.numeric
print(numobs)
testdata = dF %>% group_by(basin) %>%
do(site_partition(.,numobs))
}
site_partition = function(dF,numobs) {
perc=numobs/nrow(dF)
print(paste(unique(dF$basin),': perc =', perc))
ind = createDataPartition(dF$snowdepth,
p = perc,
list = FALSE,
times = 1)
return(dF[ind,])
}
datadF=data_frame(y=runif(100,1,6),x1=runif(100),x2=runif(100),site=c(rep('a',20),rep('b',20),rep('c',60)) %>% group_by(site)
testdata = partition_data(datadF,0.6)#fit using this data.
valdata=anti_join(datadF,testdata)#independent validation with this data