0

我有一个来自 3 个站点的组合数据集，并且想知道通用关系与站点特定关系的比较。该计划是一个 k 折交叉验证。基于这个交叉验证的问题，我需要从我的不同站点按比例抽样，因为它们包含不同数量的观察。我以前做过k-fold cv caret：

library(dplyr)
library(caret)   
dF=data_frame(y=runif(100,1,6),x1=runif(100),x2=runif(100),site=c(rep('a',20),rep('b',20),rep('c',60)) %>% group_by(site)
train_control<- trainControl(method="repeatedcv", number = 4, repeats = 3, savePredictions = TRUE)
model<- train(y~x1*x2+I(x2^2), data=dF, trControl=train_control, method='glmStepAIC',family=gaussian(link='log'))# no need to preprocess because x1 and x2 both have theoretical values (0,1].

但现在还没有弄清楚如何改变分区，以便具有更多观察的站点不会不公平地影响模型技能。

所以我想要的最终结果是 r2 的数据框，以及站点 a、b 和 c 的平均绝对误差以及所有数据。同样，我想知道每个模型场景中 x1 和 x2 的参数。

编辑 我downSample在插入符号文档中发现我认为应该对此有所帮助，但我不断收到错误消息。有谁知道为什么会这样？OSX 10.11.1、R 3.2.2、caret_6.0-58 

down_train <- downSample(x = dplyr::select(datadF,-basin), y = as.factor(datadF$basin))
Error in sample.int(length(x), size, replace, prob) : 
  cannot take a sample larger than the population when 'replace = FALSE'
4

1 回答 1

0

我最终编写了这些函数来做我需要的事情：

我调用的函数partition_data计算出每个盆地中有多少个 obs，取所有盆地中的最小值，然后frac从每个盆地中抽取多少样本。

第二个辅助函数基本上只是createDataPartition从caret每个盆地的包中调用（使用 split/apply/combine from dplyr），其中perc是应该划分的观察百分比以适合每个特定盆地。

partition_data = function(dF,frac) {
    numobs = dF %>% group_by(basin) %>% summarise(nrw = n()) %>% summarise(frac*min(nrw)) %>% as.numeric
    print(numobs)
    testdata = dF %>% group_by(basin) %>%
        do(site_partition(.,numobs))
}

site_partition = function(dF,numobs) { 
perc=numobs/nrow(dF)    
print(paste(unique(dF$basin),': perc =', perc))     
ind = createDataPartition(dF$snowdepth,
                        p = perc,
                        list = FALSE,
                        times = 1)  
return(dF[ind,]) 
}


datadF=data_frame(y=runif(100,1,6),x1=runif(100),x2=runif(100),site=c(rep('a',20),rep('b',20),rep('c',60)) %>% group_by(site)
testdata = partition_data(datadF,0.6)#fit using this data.
valdata=anti_join(datadF,testdata)#independent validation with this data
于 2016-01-07T19:25:31.910 回答