我想拟合/训练一个预测模型并以交互方式进行，例如，我在选定时间段（此处：2020 年全年）内每 50 天训练一次我的模型。基本上我想预测第二列（DE）并使用剩余的列和参数进行预测。我的数据表可能如下所示：
set.seed(123)
days <- 50
## Create random data table: ##
dt.data <- data.table(date = seq(as.Date('2020-01-01'), by = '1 day', length.out = 366),
"DE" = rnorm(366, 35, 1), "Wind" = rnorm(366, 5000, 2), "Solar" = rnorm(366, 3, 2),
"Nuclear" = rnorm(366, 100, 5), "ResLoad" = rnorm(366, 200, 3), check.names = FALSE)
我的数据表的日期范围、预测变量的数量和天数 (days) 总是不同的。我已经对整个数据表进行了一次模型拟合/训练，但我不知道如何每 50 天迭代一次？在这里您可以看到我的模型拟合线性模型的代码片段：
v.trainDate <- dt.data$date
## Delete column "date" of train data for model fitting: ##
dt.data <- dt.data[, c("date") := NULL]
## MODEL FITTING: ##
## Linear Model: ##
lmModel <- stats::lm(DE ~ .-1, data = dt.data)
## Train PREDICTION with lmModel: ##
dt.data$prediction <- stats::predict.glm(lmModel, dt.data)
## Add date columns to dt.train: ##
dt.data <- data.table(date = v.trainDate, dt.data)
最后我想要的是，我首先用我的数据训练模型，从 2020-01-01 到 2020-02-20（前 50 天）并预测 DE 的价格我的数据表的前五十个条目的模型 lmModel。下一次运行应该是从 2020-02-20 到 2020-04-10（接下来的 50 天）训练我的模型，并预测这个新 50 天的值。这应该在 2020 年 12 月的最后一天之前完成。最后，我需要一个名为 prediction 的列，如您在我的代码片段中所见，但该列应包含 {{1} } 价格。
我还想在每次迭代后将变量重要性保存在某处？这样我就可以看到在前 50 天等中哪个变量对 DE 价格的影响最大。有谁知道这是如何工作的？
答案 0 :(得分：1)
这是一种方法，使用嵌套数据框和 map() 函数的优良特性。基本上首先创建一个开始日期的数据集，然后选择与该开始日期相关的数据，然后运行回归并提取结果。最终输出显示为一个数据集，其中行代表样本的第一个日期，列代表预测数据的日期。
library(tidyverse)
days <- 50
set.seed(123)
## Create random data table: ##
data <- tibble(date = seq(as.Date('2020-01-01'), by = '1 day', length.out = 366),
"DE" = rnorm(366, 35, 1), "Wind" = rnorm(366, 5000, 2), "Solar" = rnorm(366, 3, 2),
"Nuclear" = rnorm(366, 100, 5), "ResLoad" = rnorm(366, 200, 3), check.names = FALSE)
data_out <- tibble(train_start_date= tail(data$date, -50)) %>%
mutate(data = map(train_start_date, ~filter(data, date >=.x) %>%
head(50)),
lmModel =map(data, ~stats::lm(DE ~ .-1, data = .x)),
prediction= map2(lmModel, data, ~tibble(train_end_date=max(.y$date),
prediction=predict(.x),
prediction_date = .y$date))) %>%
select(train_start_date, prediction) %>%
unnest(prediction) %>%
mutate(train_n_days = as.integer(train_end_date-train_start_date)+1) %>%
select(train_start_date, train_end_date, train_n_days, prediction_date, prediction)
data_out
#> # A tibble: 14,575 x 5
#> train_start_date train_end_date train_n_days prediction_date prediction
#> <date> <date> <dbl> <date> <dbl>
#> 1 2020-02-20 2020-04-09 50 2020-02-20 35.0
#> 2 2020-02-20 2020-04-09 50 2020-02-21 35.0
#> 3 2020-02-20 2020-04-09 50 2020-02-22 35.1
#> 4 2020-02-20 2020-04-09 50 2020-02-23 35.2
#> 5 2020-02-20 2020-04-09 50 2020-02-24 34.6
#> 6 2020-02-20 2020-04-09 50 2020-02-25 35.2
#> 7 2020-02-20 2020-04-09 50 2020-02-26 35.0
#> 8 2020-02-20 2020-04-09 50 2020-02-27 35.0
#> 9 2020-02-20 2020-04-09 50 2020-02-28 35.1
#> 10 2020-02-20 2020-04-09 50 2020-02-29 35.1
#> # … with 14,565 more rows
由 reprex package (v1.0.0) 于 2021 年 2 月 15 日创建
答案 1 :(得分：1)
下面的 calclm 函数计算预测值，calcImportance 函数计算变量重要性。
by=seq_len(nrow(dt.data)) %/% days 参数使用 data.table 将数据集拆分为 days 块并将前面的函数应用于每个块：
library(data.table)
library(caret)
## Create random data table: ##
dt.data <- data.table(date = seq(as.Date('2020-01-01'), by = '1 day', length.out = 366),
"DE" = rnorm(366, 35, 1), "Wind" = rnorm(366, 5000, 2), "Solar" = rnorm(366, 3, 2),
"Nuclear" = rnorm(366, 100, 5), "ResLoad" = rnorm(366, 200, 3), check.names = FALSE)
set.seed(123)
days <- 50
# Prediction calculation
calcPred <- function(data) {
lmModel <- stats::lm(DE ~ .-1-date, data = data)
stats::predict.glm(lmModel, data)
}
# Importance calculation
calcImportance <- function(data) {
lmModel <- stats::lm(DE ~ .-1-date, data = data)
terms <- attr(lmModel$terms , "term.labels")
varimp <- caret::varImp(lmModel)
importance <- data[,.(date,imp = t(varimp))]
}
importance.data <- data.table::copy(dt.data)
importance.data[,calcImportance(.SD),by=seq_len(nrow(dt.data)) %/% days]
#> seq_len date imp.Wind imp.Solar imp.Nuclear imp.ResLoad
#> 1: 0 2020-01-01 4.598201 2.4726894 0.7993097 1.7153244
#> 2: 0 2020-01-02 4.598201 2.4726894 0.7993097 1.7153244
#> 3: 0 2020-01-03 4.598201 2.4726894 0.7993097 1.7153244
#> 4: 0 2020-01-04 4.598201 2.4726894 0.7993097 1.7153244
#> 5: 0 2020-01-05 4.598201 2.4726894 0.7993097 1.7153244
#> ---
#> 362: 7 2020-12-27 1.093177 0.2558265 0.1610440 0.5383146
#> 363: 7 2020-12-28 1.093177 0.2558265 0.1610440 0.5383146
#> 364: 7 2020-12-29 1.093177 0.2558265 0.1610440 0.5383146
#> 365: 7 2020-12-30 1.093177 0.2558265 0.1610440 0.5383146
#> 366: 7 2020-12-31 1.093177 0.2558265 0.1610440 0.5383146
dt.data[,c('prediction'):=calcPred(.SD),by=seq_len(nrow(dt.data)) %/% days]
dt.data
#> date DE Wind Solar Nuclear ResLoad prediction
#> 1: 2020-01-01 36.51972 5000.608 1.4283653 92.19844 200.1163 35.02625
#> 2: 2020-01-02 34.96544 4999.235 0.3860045 92.29005 203.2613 34.96200
#> 3: 2020-01-03 35.16448 5002.232 -1.4450524 100.32920 202.5225 35.67255
#> 4: 2020-01-04 36.07978 5000.564 -0.9137483 98.07459 206.3788 35.13325
#> 5: 2020-01-05 35.10967 4997.606 4.9788029 101.27625 201.8148 34.29788
#> ---
#> 362: 2020-12-27 34.98190 4997.936 2.6117305 98.33027 195.1352 34.80871
#> 363: 2020-12-28 35.16974 4998.799 1.0776123 108.26064 195.2474 35.01232
#> 364: 2020-12-29 35.37956 4998.651 3.9252237 102.87948 201.0266 35.09362
#> 365: 2020-12-30 35.51517 4999.428 5.9747031 92.38721 196.4204 34.60962
#> 366: 2020-12-31 33.53278 5001.911 3.5062344 93.60744 197.5292 34.85689