R-caret createDataPartition返回的样本数多于预期

Question

我试图将虹膜数据集拆分为训练集和测试集。我像这样使用了createDataPartition()：

library(caret)
createDataPartition(iris$Species, p=0.1)
# [1]  12  22  26  41  42  57  63  79  89  93 114 117 134 137 142

createDataPartition(iris$Sepal.Length, p=0.1)
# [1]   1  27  44  46  54  68  72  77  83  84  93  99 104 109 117 132 134

我理解第一个查询。我有一个0.1 * 150元素的向量（150是数据集中的样本数）。但是，我应该在第二个查询中使用相同的向量，但我得到一个17个元素的向量而不是15个。

为什么我得到这些结果的任何想法？

Answer 1

Sepal.Length是一个数字功能;来自在线文档：

  

对于数字y，样本根据百分位数分组为组，并在这些子组内进行采样。对于createDataPartition，百分位数是通过groups参数设置的。

     

groups：对于数字y，分位数中的中断数

默认值：

  

groups = min(5, length(y)）

以下是您的情况：

由于您未指定groups，因此需要min(5, 150) = 5个休息值;现在，在这种情况下，这些中断符合自然分位数，即最小值，第1个分位数，中位数，第3个分位数和最大值 - 您可以从summary看到：

> summary(iris$Sepal.Length)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  4.300   5.100   5.800   5.843   6.400   7.900 

对于数字要素，该函数将占用上述间隔（分位数）定义的（4）间隔中每个的p = 0.1的百分比;让我们看看每个区间有多少样本：

l1 = length(which(iris$Sepal.Length >= 4.3 & iris$Sepal.Length <= 5.1)) # 41
l2 = length(which(iris$Sepal.Length > 5.1 & iris$Sepal.Length <= 5.8))  # 39
l3 = length(which(iris$Sepal.Length > 5.8 & iris$Sepal.Length <= 6.4))  # 35
l4 = length(which(iris$Sepal.Length > 6.4 & iris$Sepal.Length <= 7.9))  # 35

每个区间确切返回多少个样本？这是捕获 - 根据source code的第140行，它将是产品之间的 ceiling 。样本和你的p;让我们看一下p = 0.1：

的情况

ceiling(l1*p) + ceiling(l2*p) + ceiling(l3*p) + ceiling(l4*p)
# 17

宾果！ ：）