Question

我有一个数据集，我想对样本进行分层，使用caret包创建统计模型，然后生成预测。

我发现的问题是，在分层数据集的不同迭代中，我得到了显着不同的结果（这可能部分归因于相对较小的数据样本M=1000）。

我希望能做的是：

生成分层数据样本
创建机器学习模型
重复1000次＆amp;取平均模型输出

我希望通过重复分层数据集的变化步骤，我能够避免由于数据样本较小而产生的预测的细微变化。

例如，它可能在r;

Original.Dataset = data.frame(A)

Startified.Dataset = stratified(Original.Dataset, group = x)

Model = train(Stratified.Dataset.....other model inputs)

Repeat process with new stratified data set based on the original data and average out

提前感谢您提供任何可能有用的帮助或打包建议。是否有可能在插入符号中对样本进行分层或在插入符号中进行模拟？

Answer 1

首先，欢迎来到SO。

很难理解你究竟想知道什么，你的问题非常广泛。

如果您需要输入统计信息，我建议您在 Cross Validated. 中提出更明确定义的问题 Q＆amp; A适用于对统计，机器学习，数据分析，数据挖掘和数据可视化感兴趣的人。

我发现的问题是在不同的迭代中分层数据集我得到了明显不同的结果（这可能是部分原因是相对较小的数据样本M = 1000）。

我假设您指的是模型的不同迭代。这取决于您的不同群体的大小。例如。如果您试图将包含1000个样本的数据集划分为10个样本组，则您的模型很可能不稳定，因此在每次迭代时会得到不同的结果。这也可能是因为您的模型依赖于某些随机性，而较小您的数据（以及更多的群组）将具有更大变体。有关交叉验证，稳定性和引导程序聚合的更多信息，请See here或here。

生成分层数据样本

如何生成它：dplyr包非常适合根据不同的变量对数据进行分组。您可能还想使用split包中的base函数。 See here for more information。您还可以使用caret包中的内置方法found here。

如何分辨它：它在很大程度上取决于你想要回答的问题，很可能你想要平衡一些变量，例如：用于创建预测疾病模型的性别和年龄。 See here for more info

在例如重复观察，您希望创建具有不同重复组合的独特子集，以及您必须使用其他方法的独特测量。如果重复项具有公共标识符，请sample_names。您可以执行以下操作来选择所有样本，但使用不同的重复组合：

tg <- data.frame(sample_names = rep(1:5,each=2))
set.seed(10)
tg$values<-rnorm(10)

partition <- lapply(1:100, function(z) {
  set.seed(z)
  sapply(unique(tg$sample_names), function(x) {
    which(x == tg$sample_names)[sample(1:2, 1)]
  })
})

#the first partition of your data to train a model.
tg[partition[[1]],]

创建机器学习模型

如果您想使用caret，可以转到caret webpage。并查看所有可用的型号。根据您的研究问题和/或数据，您希望使用不同类型的模型。因此，我建议您参加一些在线机器学习课程，例如Stanford University course given by Andrew Ng（我自己动手），以便更熟悉不同的主要算法。如果您熟悉算法，只需搜索对于可用的型号。

重复1000次＆amp;取平均模型输出

您可以使用不同的种子重复您的模型1000次（请参阅set.seed）和不同的培训方法，例如交叉验证或引导聚合。 caret包中有许多不同的培训参数：

函数trainControl生成进一步控制的参数   如何创建模型，具有可能的值：

方法：重采样方法：“boot”，“cv”，“LOOCV”，“LGOCV”，   “repeatedcv”，“timeslice”，“none”和“oob”

有关方法的更多信息，请see here。

如何对数据集进行分层，用Caret进行统计分析并在r中重复？

1 个答案: