我有一个类似以下的数据集
set.seed(503)
foo <- data.table(group = rep(LETTERS[1:6], 150),
y = rnorm(n = 6 * 150, mean = 5, sd = 2),
x1 = rnorm(n = 6 * 150, mean = 5, sd = 10),
x2 = rnorm(n = 6 * 150, mean = 25, sd = 10),
x3 = rnorm(n = 6 * 150, mean = 50, sd = 10),
x4 = rnorm(n = 6 * 150, mean = 0.5, sd = 10),
x5 = sample(c(1, 0), size = 6 * 150, replace = T))
foo[, period := 1:.N, by = group]
问题：我想使用变量y对每个group预测x1, ..., x5领先一步
我想在caret中运行一些模型来决定使用哪个模型。
到目前为止，我正在使用时间片在循环中运行它
window.length <- 115
timecontrol <- trainControl(method = 'timeslice',
initialWindow = window.length,
horizon = 1,
selectionFunction = "best",
fixedWindow = TRUE,
savePredictions = 'final')
model_list <- list()
for(g in unique(foo$group)){
for(model in c("xgbTree", "earth", "cubist")){
dat <- foo[group == g][, c('group', 'period') := NULL]
model_list[[g]][[model]] <- train(y ~ . - 1,
data = dat,
method = model,
trControl = timecontrol)
}
}
但是，我想同时运行所有组，使用虚拟变量来标识每个组，例如
dat <- cbind(foo, model.matrix(~ group- 1, foo))
y x1 x2 x3 x4 x5 period groupA groupB groupC groupD groupE groupF
1: 5.710250 11.9615460 22.62916 31.04790 -4.821331e-04 1 1 1 0 0 0 0 0
2: 3.442213 8.6558983 32.41881 45.70801 3.255423e-01 1 1 0 1 0 0 0 0
3: 3.485286 7.7295448 21.99022 56.42133 8.668391e+00 1 1 0 0 1 0 0 0
4: 9.659601 0.9166456 30.34609 55.72661 -7.666063e+00 1 1 0 0 0 1 0 0
5: 5.567950 3.0306864 22.07813 52.21099 5.377153e-01 1 1 0 0 0 0 1 0
但是仍然使用timeslice以正确的时间顺序运行时间序列。
是否有一种方法可以在time中声明trainControl变量，因此在这种情况下，我的one step ahead预测在每个回合中使用另外六个观察值，并删除前六个观察值？
我可以通过对数据进行排序并弄乱horizon参数（给定n组，按时间变量排序并放入horizon = n）来做到这一点，但是如果组数改变。并且initial.window必须是time * n_groups
timecontrol <- trainControl(method = 'timeslice',
initialWindow = window.length * length(unique(foo$group)),
horizon = length(unique(foo$group)),
selectionFunction = "best",
fixedWindow = TRUE,
savePredictions = 'final')
还有其他方法吗？
答案 0 :(得分：2)
我认为您正在寻找的答案实际上非常简单。您可以使用skip的{{1}}参数在每个训练/测试集之后跳过所需的观察次数。这样，您只需要预测每个组的时间，训练组和测试组就不会分裂相同的时间段，也不会泄漏信息。
使用您提供的示例，如果您设置trainControl()和skip = 6（组数）和horizon = 6，则第一个测试集将包含期间116的所有组，下一个测试集将包含时段117的所有组，依此类推。
initialWindow = 115答案 1 :(得分：0)
我将使用tidyr::nest()来嵌套组，然后使用purrr::map()遍历数据。这种方法更加灵活，因为它可以容纳不同的组大小，不同数量的组以及传递给caret::train()的变量模型或其他参数。另外，您可以使用furrr轻松地并行运行所有内容。
我使用tibble而不是data.table。我还减少了数据的大小。
library(caret)
library(tidyverse)
set.seed(503)
foo <- tibble(
group = rep(LETTERS[1:6], 10),
y = rnorm(n = 6 * 10, mean = 5, sd = 2),
x1 = rnorm(n = 6 * 10, mean = 5, sd = 10),
x2 = rnorm(n = 6 * 10, mean = 25, sd = 10),
x3 = rnorm(n = 6 * 10, mean = 50, sd = 10),
x4 = rnorm(n = 6 * 10, mean = 0.5, sd = 10),
x5 = sample(c(1, 0), size = 6 * 10, replace = T)
) %>%
group_by(group) %>%
mutate(period = row_number()) %>%
ungroup()
initialWindow的大小window.length <- 9
timecontrol <- trainControl(
method = 'timeslice',
initialWindow = window.length,
horizon = 1,
selectionFunction = "best",
fixedWindow = TRUE,
savePredictions = 'final'
)
# To fit each model in model_list to data and return model fits as a list.
fit_models <- function(data, model_list, timecontrol) {
map(model_list,
~ train(
y ~ . - 1,
data = data,
method = .x,
trControl = timecontrol
)) %>%
set_names(model_list)
}
model_list <- c("xgbTree", "earth", "cubist")
mods <- foo %>%
nest(-group)
mods <- mods %>%
mutate(fits = map(
data,
~ fit_models(
data = .x,
model_list = model_list,
timecontrol = timecontrol
)
))
如果要查看特定组/模型的结果，可以执行以下操作：
mods[which(mods$group == "A"), ]$fits[[1]]$xgbTree
furrr进行并行处理只需使用plan(multiprocess)初始化worker并将map更改为future_map。请注意，如果您的计算机的处理核心少于6个，则可能需要将worker数量更改为少于6个。
library(furrr)
plan(multiprocess, workers = 6)
mods <- foo %>%
nest(-group)
mods <- mods %>%
mutate(fits = future_map(
data,
~ fit_models(
data = .x,
model_list = model_list,
timecontrol = timecontrol
)
))