Caret：组合分层的createMultiFold(重复CV)和groupKFold [英] caret: combine the stratified createMultiFolds (repeatedCV) and groupKFold

问题描述

我的问题与中提出的问题非常相似 caret: combine createResample and groupKFold

唯一的区别是：我需要在分组后创建分层折叠(也重复10次)，而不是引导重采样(据我所知它不是分层的)，以便与插入的Train Control一起使用。 下面的代码使用10倍重复的简历，但我不能包括基于"ID"(df$ID)的数据分组。

# creating indices
cv.10.folds <- createMultiFolds(rf_label, k = 10, times = 10)
# creating folds    
ctrl.10fold <- trainControl(method = "repeatedcv", number = 10, repeats = 10, index = cv.10.folds)
# train
rf.ctrl10 <- train(rf_train, y = rf_label, method = "rf", tuneLength = 6,
                       ntree = 1000, trControl = ctrl.10fold, importance = TRUE)

这是我的实际问题：我的数据包含许多组，每个组由20个实例组成，每个实例具有相同的"ID"。因此，当使用10倍的CV重复10次时，我在训练中得到了一些组的实例，在验证集中得到了一些实例。我希望避免这种情况，但总的来说，我需要对预测值(df$Label)进行分层分区。(具有相同ID的所有实例也具有相同的预测/标签值。)

在上面链接提供并接受的答案中(请参阅以下部分)，我想我必须修改folds2行，以包含分层的10倍简历，而不是引导的

folds <- groupKFold(x)
folds2 <- lapply(folds, function(x) lapply(1:10, function(i) sample(x, size = length(x), replace = TRUE)))

但不幸的是，我想不出具体是怎么回事。你能帮我吗？

推荐答案

这里提供了一种使用阻塞执行分层重复K重CV的方法。

library(caret)
library(tidyverse)

一些虚假数据，其中id将是阻止因素：

id <- sample(1:55, size = 1000, replace = T)
y <- rnorm(1000)
x <- matrix(rnorm(10000), ncol = 10)
df <- data.frame(id, y, x)

按阻塞系数总结观察结果：

df %>%
  group_by(id) %>%
  summarise(mean = mean(y)) %>%
  ungroup() -> groups1 

根据分组数据创建分层折叠：

folds <- createMultiFolds(groups1$mean, 10, 3)

将原始DF反向联接到组数据，并获取DF行ID

folds <- lapply(folds, function(i){
  data.frame(id = i) %>%
    left_join(df %>%
                rowid_to_column()) %>%
    pull(rowid) 
})

检查测试中的数据ID是否不在列车中：

lapply(folds, function(i){
  sum(df[i,1] %in% df[-i,1])
})

输出是一串零，这意味着测试折叠中没有ID在序列折叠中。

如果您的组ID不是数字，有两种方法可以实现此目的： 1将它们转换为数字：

先了解一些数据

id <- sample(1:55, size = 1000, replace = T)
y <- rnorm(1000)
x <- matrix(rnorm(10000), ncol = 10)
df <- data.frame(id = paste0("id_", id), y, x) #factor id's

df %>%
  mutate(id = as.numeric(id)) %>% #convert to numeric
  group_by(id) %>%
  summarise(mean = mean(y)) %>%
  ungroup() -> groups1 

folds <- createMultiFolds(groups1$mean, 10, 3)

folds <- lapply(folds, function(i){
  data.frame(id = i) %>%
    left_join(df %>%
                mutate(id = as.numeric(id)) %>% #also need to convert to numeric in the original data frame
                rowid_to_column()) %>%
    pull(rowid) 
})  

2根据文件夹索引筛选分组数据中的ID，然后按ID连接

df %>%
  group_by(id) %>%
  summarise(mean = mean(y)) %>%
  ungroup() -> groups1 

folds <- createMultiFolds(groups1$mean, 10, 3)

folds <- lapply(folds, function(i){
  groups1 %>% #start from grouped data
    select(id) %>% #select id's
    slice(i) %>% #filter id's according to fold index
    left_join(df %>% #join by id 
               rowid_to_column()) %>%
    pull(rowid) 
})

它是否适用于脱字符？

ctrl.10fold <- trainControl(method = "repeatedcv", number = 10, repeats = 3, index = folds)

rf.ctrl10 <- train(x = df[,-c(1:2)], y = df$y, data = df, method = "rf", tuneLength = 1,
                   ntree = 20, trControl = ctrl.10fold, importance = TRUE)

rf.ctrl10$results
#output
  mtry     RMSE    Rsquared       MAE     RMSESD  RsquaredSD      MAESD
1    3 1.041641 0.007534611 0.8246514 0.06953668 0.009488169 0.05934975

我还建议你查阅库mlr，它有很多很好的功能，包括阻止-here is one answer on SO。它在许多things上有非常好的教程。在很长一段时间里，我认为您要么使用caret，要么使用mlr，但它们非常好地互补。

这篇关于Caret：组合分层的createMultiFold(重复CV)和groupKFold的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！