我希望使用R软件包rsample
生成数据的重新抽样。
该软件包提供了函数rolling_origin
,以生成保留数据时间序列结构的重新抽样。这意味着训练数据(在软件包中称为analysis
)始终在测试数据(assessment
)之前。
另一方面,我希望对数据执行块采样。这意味着在抽样过程中将行的组保持在一起。可以使用函数group_vfold_cv
来完成此操作。其中一些可能与月份相关。例如,我们要进行时间序列交叉验证,始终将月份保持在一起。
是否有办法在rsample
中结合这两种方法?
我分别给出每个过程的示例:
## generate some data
library(tidyverse)
library(lubridate)
library(rsample)
my_dates = seq(as.Date("2018/1/1"), as.Date("2018/8/20"), "days")
some_data = data_frame(dates = my_dates)
some_data$values = runif(length(my_dates))
some_data = some_data %>% mutate(month = as.factor(month(dates)))
这提供了以下形式的数据
A tibble: 232 x 3
dates values month
<date> <dbl> <fctr>
1 2018-01-01 0.235 1
2 2018-01-02 0.363 1
3 2018-01-03 0.146 1
4 2018-01-04 0.668 1
5 2018-01-05 0.0995 1
6 2018-01-06 0.163 1
7 2018-01-07 0.0265 1
8 2018-01-08 0.273 1
9 2018-01-09 0.886 1
10 2018-01-10 0.239 1
然后,我们可以生成需要20周数据的样本,并在未来5周进行测试(参数skip
跳过一些额外的行):
rolling_origin_resamples <- rolling_origin(
some_data,
initial = 7*20,
assess = 7*5,
cumulative = TRUE,
skip = 7
)
我们可以使用以下代码来检查数据并发现没有重叠:rolling_origin_resamples$splits[[1]] %>% analysis %>% tail
# A tibble: 6 x 3
dates values month
<date> <dbl> <fctr>
1 2018-05-15 0.678 5
2 2018-05-16 0.00112 5
3 2018-05-17 0.339 5
4 2018-05-18 0.0864 5
5 2018-05-19 0.918 5
6 2018-05-20 0.317 5
### test data of first split:
rolling_origin_resamples$splits[[1]] %>% assessment
# A tibble: 6 x 3
dates values month
<date> <dbl> <fctr>
1 2018-05-21 0.912 5
2 2018-05-22 0.403 5
3 2018-05-23 0.366 5
4 2018-05-24 0.159 5
5 2018-05-25 0.223 5
6 2018-05-26 0.375 5
或者我们可以按月份拆分:
## sampling by month:
gcv_resamples = group_vfold_cv(some_data, group = "month", v = 5)
gcv_resamples$splits[[1]] %>% analysis %>% select(month) %>% summary
gcv_resamples$splits[[1]] %>% assessment %>% select(month) %>% summary
caret
一起使用的训练和测试索引。如果需要,我可以展示一下。我还会研究rsample
包,如果有什么进展,我会更新答案。 - missusersample
,但我没有找到使用该程序包进行分层时间序列交叉验证的方法。如果该程序包确实缺少此功能,我相信 topepo 如果你好好地请他的话,他会愿意将其纳入该程序包中。编辑:实际上,这似乎就是它:https://github.com/tidymodels/rsample/issues/42。看起来在完成后,它将成为内置功能。 - missuse