R的caTools Sample.Split结果不正确

编程问答 2022-06-07

问题描述

我想通过列举这似乎是一个常见问题来开头我的问题：

  1. Incorrect splitting of data using sample.split in R and issue with logistic regression
  2. SplitRatio results with sample.split (caTools)

但是，我无法使用第一个问题中建议的解决方案来解决问题，而第二个问题从未得到解答。

在下面的代码中，我希望对四个结果分别进行100次观察，显然100/150 = 2/3：

library(caTools)
set.seed(123)

isample <- sample.split(iris[,1],SplitRatio = 2/3,group = NULL)
iris2 <- iris[isample,]

isample2 <- sample.split(iris[,group = NULL)
iris3 <- subset(iris,isample2 == T)

isample3 <- sample.split(iris$Sepal.Length,group = NULL)
sepal.length2 <- iris[isample3,1]

isample4 <- sample.split(iris$Sepal.Length,group = NULL)
sepal.length3 <- subset(iris[,isample4 == T)

但是，我在iris2和iris3以及向量sepal.length2和sepal.length3中都得到了104个观测值。我确保每次都绘制一个新的样本，以确保这对于样本函数的四舍五入来说并不奇怪。使用iris中的第2列和第3列返回100个观测值，而使用第5列则返回99个观测值。为什么更改列返回不同的值？此功能的一个常见错误是意外地给了它整个数据帧，因此它是基于列进行选择的，但是在这里，我确保每次都给它一个向量。在最后两个示例中，我给它提供了一个向量，然后从向量中确定了拆分，它仍然不起作用。

如果有帮助，我将在OS X上运行R 3.6.0和caTools 1.18.0。我通常会使用sample或sample.int函数，所以我并不那么熟悉caTools。

解决方法

在对可用的源文件进行了一些搜索和一些测试之后，1我开始意识到，这是由于作者编写此函数的方式中舍入错误的累积所致。以for( iU in 1:nU)开始的循环会舍入每个标签上的随机抽奖次数，因此对于比率为2/3的标签以及在数据中出现4次的标签，我们以n = round(length(idx)*rat)结尾四舍五入到3，或者8 * 2/3四舍五入到5。在循环过程中，这导致最终的计数过量。

重新阅读sample.split文档，它说：“将向量Y的数据按预定义比例分成两组，同时保留Y中不同标签的相对比例。因此，我的结论是，该函数试图保留向量中每个唯一标签的比率，这意味着它试图在萼片长度上保持5.3出现的2 / 3、4.9出现的2/3。等在每个测试和培训集中。使用此功能的用户宁愿进行不精确的测试/培训划分，最后最终得到更精确的测试错误，因为他们可以期望保留每次出现的比率。由于此函数用于分类，因此我得出结论，在数据中有许多唯一值的情况下，应避免使用它。

data-partitioningrr