Я хотел бы использовать R-пакет rsample
для генерации rsample
моих данных.
Пакет предлагает функцию rolling_origin
для создания rolling_origin
которые сохраняют структуру временных рядов данных. Это означает, что данные обучения (в пакете, называемом analysis
) всегда находятся в прошлом тестовых данных (assessment
).
С другой стороны, я хотел бы выполнить блок-выборки данных. Это означает, что группы строк сохраняются вместе во время выборки. Это можно сделать с помощью функции group_vfold_cv
. Как группы, о которых можно подумать, это месяцы. Скажем, мы хотим, чтобы временная перекрестная проверка всегда проводила месяцы вместе.
Есть ли способ объединить два подхода в rsample
?
Я приводил примеры для каждой процедуры самостоятельно:
## 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$values = runif(length(my_dates))
some_data = some_data %>% mutate(month = as.factor(month(dates)))
Это дает данные следующей формы
A tibble: 232 x 3
dates values month
<date> <dbl> <fctr>
1 2018-01-01 0.235 1
2 2018-01-02 0.363 1
3 2018-01-03 0.146 1
4 2018-01-04 0.668 1
5 2018-01-05 0.0995 1
6 2018-01-06 0.163 1
7 2018-01-07 0.0265 1
8 2018-01-08 0.273 1
9 2018-01-09 0.886 1
10 2018-01-10 0.239 1
Тогда мы можем, например, производить образцы, которые занимают 20 недель данных и испытания на будущие 5 недель (параметр skip
пропускает некоторые строки за дополнительную плату):
rolling_origin_resamples <- rolling_origin(
some_data,
initial = 7*20,
assess = 7*5,
cumulative = TRUE,
skip = 7
)
Мы можем проверить данные с помощью следующего кода и не видеть перекрытия:
rolling_origin_resamples$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$splits[[1]] %>% assessment
# A tibble: 6 x 3
dates values month
<date> <dbl> <fctr>
1 2018-05-21 0.912 5
2 2018-05-22 0.403 5
3 2018-05-23 0.366 5
4 2018-05-24 0.159 5
5 2018-05-25 0.223 5
6 2018-05-26 0.375 5
В качестве альтернативы мы можем разделить по месяцам:
## sampling by month:
gcv_resamples = group_vfold_cv(some_data, group = "month", v = 5)
gcv_resamples$splits[[1]] %>% analysis %>% select(month) %>% summary
gcv_resamples$splits[[1]] %>% assessment %>% select(month) %>% summary