如何对数据集进行分层抽样，使用 Caret 进行统计分析并在 r 中重复？
How to stratify sample a data set, conduct statistical analysis with Caret and repeat in r?
我有一个数据集，我想对样本进行分层，使用 caret 包创建统计模型，然后生成预测。
我发现的问题是，在分层数据集的不同迭代中，我得到明显不同的结果（这可能部分是由于数据样本相对较小 M=1000）。
我希望能够做到的是：
- 生成分层数据样本
- 创建机器学习模型
- 重复
1000 次并取平均模型输出
我希望通过对分层数据集的变化重复这些步骤，我能够避免由于较小的数据样本而产生的预测的细微变化。
例如，在 r 中可能看起来像这样；
Original.Dataset = data.frame(A)
Stratified.Dataset = stratified(Original.Dataset, group = x)
Model = train(Stratified.Dataset.....other model inputs)
Repeat process with new stratified data set based on the original data and average out.
提前感谢您提供的任何帮助或可能有用的打包建议。是否可以在插入符号中对样本进行分层或在插入符号中进行模拟？
首先，欢迎来到 SO。
很难理解你到底想知道什么，你的问题太宽泛了。
如果您需要统计信息，我建议您在 Cross Validated. 中提出更明确的问题
面向对统计、机器学习、数据分析、数据挖掘和数据可视化感兴趣的人的问答。
The problem I am finding is that in different iterations of the
stratified data set I get significantly different results (this may be
in part due to the relatively small data sample M=1000).
我假设您指的是模型的不同迭代。这取决于您的不同群体的规模。例如。如果您尝试将由 1000 个样本组成的数据集分成 10 个样本的组，您的模型很可能不稳定，因此在每次迭代中给出不同的结果。这也可能是由于您的模型取决于一些随机性，并且 较小 您的数据（以及更多组）将 较大 变化。 See here or here 有关交叉验证、稳定性和 bootstrap 聚合的更多信息。
- Generate the stratified data sample
如何生成它：dplyr 包在根据不同变量对数据进行分组方面非常出色。您可能还想使用 base 包中的 split 函数。 See here for more information. You could also use the in-built methods found in the caret package, found here.
如何知道如何拆分它：这在很大程度上取决于您想要回答的问题，很可能您想平衡一些变量，例如性别和年龄来创建预测疾病的模型。 See here for more info.
例如有重复的观察，并且您想创建具有不同重复组合的唯一子集及其独特的测量值，您将不得不使用其他方法。如果重复有一个共同的标识符，这里 sample_names。您可以对 select 所有样本执行类似的操作，但使用不同的重复组合：
tg <- data.frame(sample_names = rep(1:5,each=2))
set.seed(10)
tg$values<-rnorm(10)
partition <- lapply(1:100, function(z) {
set.seed(z)
sapply(unique(tg$sample_names), function(x) {
which(x == tg$sample_names)[sample(1:2, 1)]
})
})
#the first partition of your data to train a model.
tg[partition[[1]],]
- Create the machine learning model
如果你想用caret，你可以去caret webpage. And see all the available models. Depending on your research question and/or data you would like to use different types of models. Therefore, I would recommend you to take some online machine learning courses, for instance the Stanford University course given by Andrew Ng（我自己拿过），更熟悉你熟悉的不同专业algorithms.If使用算法，只需搜索可用的模型。
- Repeat 1000 times & take the average model output
您可以使用不同的种子（参见 set.seed）和不同的训练方法重复您的模型 1000 次，例如交叉验证或 bootstrap 聚合。 caret包中有很多不同的训练参数：
The function trainControl generates parameters that further control
how models are created, with possible values:
method: The resampling method: "boot", "cv", "LOOCV", "LGOCV",
"repeatedcv", "timeslice", "none" and "oob"
有关方法的更多信息，see here。
我有一个数据集，我想对样本进行分层，使用 caret 包创建统计模型，然后生成预测。
我发现的问题是，在分层数据集的不同迭代中，我得到明显不同的结果（这可能部分是由于数据样本相对较小 M=1000）。
我希望能够做到的是：
- 生成分层数据样本
- 创建机器学习模型
- 重复
1000次并取平均模型输出
我希望通过对分层数据集的变化重复这些步骤，我能够避免由于较小的数据样本而产生的预测的细微变化。
例如，在 r 中可能看起来像这样；
Original.Dataset = data.frame(A)
Stratified.Dataset = stratified(Original.Dataset, group = x)
Model = train(Stratified.Dataset.....other model inputs)
Repeat process with new stratified data set based on the original data and average out.
提前感谢您提供的任何帮助或可能有用的打包建议。是否可以在插入符号中对样本进行分层或在插入符号中进行模拟？
首先，欢迎来到 SO。
很难理解你到底想知道什么，你的问题太宽泛了。
如果您需要统计信息，我建议您在 Cross Validated. 中提出更明确的问题 面向对统计、机器学习、数据分析、数据挖掘和数据可视化感兴趣的人的问答。
The problem I am finding is that in different iterations of the stratified data set I get significantly different results (this may be in part due to the relatively small data sample M=1000).
我假设您指的是模型的不同迭代。这取决于您的不同群体的规模。例如。如果您尝试将由 1000 个样本组成的数据集分成 10 个样本的组，您的模型很可能不稳定，因此在每次迭代中给出不同的结果。这也可能是由于您的模型取决于一些随机性，并且 较小 您的数据（以及更多组）将 较大 变化。 See here or here 有关交叉验证、稳定性和 bootstrap 聚合的更多信息。
- Generate the stratified data sample
如何生成它：dplyr 包在根据不同变量对数据进行分组方面非常出色。您可能还想使用 base 包中的 split 函数。 See here for more information. You could also use the in-built methods found in the caret package, found here.
如何知道如何拆分它：这在很大程度上取决于您想要回答的问题，很可能您想平衡一些变量，例如性别和年龄来创建预测疾病的模型。 See here for more info.
例如有重复的观察，并且您想创建具有不同重复组合的唯一子集及其独特的测量值，您将不得不使用其他方法。如果重复有一个共同的标识符，这里 sample_names。您可以对 select 所有样本执行类似的操作，但使用不同的重复组合：
tg <- data.frame(sample_names = rep(1:5,each=2))
set.seed(10)
tg$values<-rnorm(10)
partition <- lapply(1:100, function(z) {
set.seed(z)
sapply(unique(tg$sample_names), function(x) {
which(x == tg$sample_names)[sample(1:2, 1)]
})
})
#the first partition of your data to train a model.
tg[partition[[1]],]
- Create the machine learning model
如果你想用caret，你可以去caret webpage. And see all the available models. Depending on your research question and/or data you would like to use different types of models. Therefore, I would recommend you to take some online machine learning courses, for instance the Stanford University course given by Andrew Ng（我自己拿过），更熟悉你熟悉的不同专业algorithms.If使用算法，只需搜索可用的模型。
- Repeat 1000 times & take the average model output
您可以使用不同的种子（参见 set.seed）和不同的训练方法重复您的模型 1000 次，例如交叉验证或 bootstrap 聚合。 caret包中有很多不同的训练参数：
The function
trainControlgenerates parameters that further control how models are created, with possible values:method: The resampling method: "boot", "cv", "LOOCV", "LGOCV", "repeatedcv", "timeslice", "none" and "oob"
有关方法的更多信息，see here。