R语言caret包的学习（三）--数据分割

本文将就caret包中的数据分割部分进行介绍学习。主要包括如下函数：createDataPartition()，maxDissim()，createTimeSlices()，createFolds()，createResample()，groupKFold()等

基于输出结果的简单分割

createDataPartition函数用于建立平衡数据的分割。若是函数中的参数y是一个因子向量，则对每一类随机抽样，而且保持数据总体类别的分类。

 createDataPartition(y, times = 1, p = 0.5, list = TRUE, groups = min(5, length(y))) 

•  y  结果向量
• times  建立分区的数目
• p 将要用于训练的数据的百分比
• list  逻辑值。true时，返回结果为列表形式，不然，为floor(p * length(y))行 times列的矩阵
• groups  对于数值y，样本根据百分位数分红组，并在这些子组内进行采样。百分比的数量经过groups参数设置。

基于特征变量的分割

函数maxDissim应用最大相异方法（maximum dissimiarity approach）建立子样本。假设有一个m个样本的数据集A和具备n个样本的一个大数据集B。咱们但愿从B中抽取和A不一样的子样本。为了这样作，对于B中的每个样本，函数计算与A中每同样本点的相异性。把B中最大相异性的点加到A并继续。注意，计算相异性时，要加载proxy包

 maxDissim(a, b, n = 2, obj = minDiss, useNames = FALSE, randomFrac = 1, verbose = FALSE, ...) 

• a  小样本数据集，矩阵或数据框
• b  大样本数据集，矩阵或数据框
• n  子样本的大小，其实就是最后想要找出的相异性样本的个数
• obj  衡量整体差别的函数，经常使用的有minDiss，sumDiss
• useNames  逻辑值，true返回行名，false返回行索引
• randomFrac  在(0,1]中的数值，用于从剩余候选值中进行子采样
• verbose  逻辑值，是否显示每步过程

时间序列的数据分割

时间序列简单随机抽样并非对时间序列抽样的最好的方法。Hyndman和Athanasopoulos（2013）讨论了rolling forecasting origin技术。caret包 包含了createTimeSlices函数，它能建立这种类型的切片。

 createTimeSlices(y, initialWindow, horizon = 1, fixedWindow = TRUE, skip = 0) 

• y  结果向量，按年代或其余时间顺序
• initialWindow  每一个训练集样本中连续值的初始数量
• horizon  测试样本中的连续值的数量
• fixedWindow  逻辑值，false时，全部训练样本从1开始
• skip  整数，how many (if any) resamples to skip to thin the total amount

horizon参数值不一样时的情形：horizon分别为1,3时，测试样本的数量分别为1,3

fixedWindow分别为TRUE和FALSE时的情形，可见为false时，训练样本老是从头开始。

skip参数，注意skip为3时，不一样训练样本的第一个索引依次加4

 

其余相似函数

此外，在制造训练集时，还有如下可能用到的函数

一、 createFolds(y, k = 10, list = TRUE, returnTrain = FALSE) 

 其中，k是folds的数目，list，是否以列表形式返回，returnTrain，false时返回的是测试集的索引，true时返回的是训练集的索引（仅当list=TRUE时，returnTrain=TRUE才有效）

二、  createResample(data,k) 

其中，k是建立训练样本的个数

三、   groupKFold(group, k = length(unique(group))) 

其中，k是folds的数目

 

参考：http://topepo.github.io/caret/data-splitting.html （其中文翻译见）