Question

我有一个大的数据框（54160个观测值），需要分成训练和测试集。这应该不成问题，但是在数据框中有几个历史天气变量（每天，2013-2018年）。这些可以用于训练，但不能用于预测，因为人们无法提前知道天气。因此，我将这些变量替换为每月的历史平均值（例如，一月份的平均温度约为5摄氏度）。

现在，我想在R中进行回归，并使用75％的数据（使用原始天气变量）来训练我的模型。然后，我要对剩余的25％的数据进行预测（但要替换掉天气变量）。如何在R中执行此操作？因为本质上我要处理两个不同的数据集，一个原始数据集，一个修改数据集。因此：从最初的一个我需要75％的训练，而从修改的一个我需要25％的测试（但当然，数据点不应重叠）。

如何确保数据不重叠？还是应该在修改后的数据框上进行训练？

Answer 1

您正确地想要分离您的训练和测试数据。为此，您需要随机选择75％，然后选择其他25％。该解决方案首先将数据的顺序随机化，然后获取数据的第一个.75和最后一个.25。

weather_data <- data.frame(day = 1:50000,temp = sample(1:100,50000,replace = TRUE))

random.order <- sample(1:50000,50000)

weather_data <- weather_data[order(random.order),]

training_data <- weather_data[1:37500,]
test_data <- weather_data[37501:50000,]

测试数据与训练数据不同

1 个答案: