根据k倍交叉验证的折叠从火车数据中选择样本

时间:2019-07-17 22:17:35

标签: r k-fold

我已根据此处How to split a data set to do 10-fold cross validation using no packages

进行了不带包装的k倍交叉验证

我需要从训练数据的每个折叠中选择30%的样本。这是我的功能:

samples = 300
r = 0.83

library('MASS')

df = data.frame(mvrnorm(n=samples, mu=c(0, 0), Sigma=matrix(c(1, r, r, 1), nrow=2), empirical=TRUE))
w = df[sample(nrow(df)),]
w = data.frame(w)
kcv = 10
folds <- cut(seq(from = 1,to = nrow(w)),breaks=kcv,labels=FALSE)
kfolddata<-cbind(w,folds)


for(i in 1:kcv){ #i=1
  testIndexes <- which(kfolddata[,ncol(kfolddata)]==i,arr.ind=TRUE)
  testData <- w[testIndexes, ]
  trainData <- w[-testIndexes, ]
  trainIndexes <- kfolddata[-testIndexes,]

  if(i==1) {
    set.seed=1234
    SubInd = sample(nrow(trainData) , size = round(0.3 * 
                                (nrow(trainData))),replace=F)
  } else {
     SubInd = rbind(SubInd,sample(nrow(trainData) , size = round(0.3 *
                                 nrow(trainData))),replace=F))}}
  }
}

结果将仅显示所选子集的ID。如何获取SubInt的选定ID的信息(变量)?

使用rbind是正确的方法吗?因为我需要从SubInt做另一个循环。

2 个答案:

答案 0 :(得分:0)

如果您的唯一目标是为每一叠随机抽取30%的训练数据,则可以尝试使用lapply()而不是for循环。与filter()sample_frac()结合使用。在原始案例为1000个的情况下,第一阶段的训练数据将为900个案例,因此在抽样30%时将返回270个案例。

# create df
df <- data.frame(x=runif(1000))

#Randomly shuffle the data
df <- df[sample(nrow(df)),]; df <- data.frame(x=df)

#Create 10 equally size folds
folds <- cut(seq(1,nrow(df)),breaks=10,labels=FALSE)
df$folds <- folds

df1 <- lapply(1:10,function(i){
  train <- df %>% filter(folds!=i) %>% sample_frac(.3)
})

lapply(df1,dim)

d <- df1[[1]]; d %>% count(folds) # check no test data, fold==1
d <- df1[[2]]; d %>% count(folds) # check no test data, fold==2

答案 1 :(得分:0)

由于测试折叠的大小不同,因此使用c可以更容易地合并结果向量。

我不确定这是否是您要的。我猜是all_0.3trainunique_0.3_train

for (i in 1 : kcv) { 

  trainIndexes <- which(kfolddata[, ncol(kfolddata)] !=i, arr.ind=TRUE)
  testData <- w[-trainIndexes, ]
  trainData <- w[trainIndexes, ]

  if (i == 1) {

    set.seed(1234)
    SubInd = sample(trainIndexes , size = round(0.3 * 
                                                nrow(trainData)), replace=F)
  } else {

    SubInd = c(trainIndexes, sample(trainIndexes , size = round(0.3 *
                                                  nrow(trainData)), replace=F))
  }
}

all_0.3train <- w[SubInd, ]
unique_0.3_train <- w[unique(SubInd), ]