Объединение прокрутки Происхождение Прогноз Повторная выборка и групповая перекрестная проверка V-Fold в rsample

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

Ответ 1

Как обсуждалось в комментариях решения от @missuse, способ достижения этого документирован в проблеме github: https://github.com/tidymodels/rsample/issues/42

По сути, идея состоит в том, чтобы сначала rolling_origin() свои блоки, а затем rolling_origin() позволит вам опрокинуть их, сохранив целые блоки.

library(dplyr)
library(lubridate)
library(rsample)
library(tidyr)
library(tibble)

# same data generation as before
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)))

# nest by month, then resample
rset <- some_data %>%
  group_by(month) %>%
  nest() %>%
  rolling_origin(initial = 1)

# doesn't show which month is which :(
rset
#> # Rolling origin forecast resampling 
#> # A tibble: 7 x 2
#>   splits       id    
#>   <list>       <chr> 
#> 1 <S3: rsplit> Slice1
#> 2 <S3: rsplit> Slice2
#> 3 <S3: rsplit> Slice3
#> 4 <S3: rsplit> Slice4
#> 5 <S3: rsplit> Slice5
#> 6 <S3: rsplit> Slice6
#> 7 <S3: rsplit> Slice7


# only January (31 days)
analysis(rset$splits[[1]])$data
#> [[1]]
#> # A tibble: 31 x 2
#>    dates      values
#>    <date>      <dbl>
#>  1 2018-01-01 0.373 
#>  2 2018-01-02 0.0389
#>  3 2018-01-03 0.260 
#>  4 2018-01-04 0.803 
#>  5 2018-01-05 0.595 
#>  6 2018-01-06 0.875 
#>  7 2018-01-07 0.273 
#>  8 2018-01-08 0.180 
#>  9 2018-01-09 0.662 
#> 10 2018-01-10 0.849 
#> # ... with 21 more rows


# only February (28 days)
assessment(rset$splits[[1]])$data
#> [[1]]
#> # A tibble: 28 x 2
#>    dates      values
#>    <date>      <dbl>
#>  1 2018-02-01 0.402 
#>  2 2018-02-02 0.556 
#>  3 2018-02-03 0.764 
#>  4 2018-02-04 0.134 
#>  5 2018-02-05 0.0333
#>  6 2018-02-06 0.907 
#>  7 2018-02-07 0.814 
#>  8 2018-02-08 0.0973
#>  9 2018-02-09 0.353 
#> 10 2018-02-10 0.407 
#> # ... with 18 more rows

Создано в 2018-08-28 пакетом reprex (v0.2.0).

Ответ 2

Если я правильно понимаю, вы хотели бы создать образцы, где вы тренируете все данные до определенного месяца и оцениваете их в течение месяца за каждый месяц. Я не пользователь rsample но это может быть достигнуто довольно легко с базой R. Вот один из подходов:

разделять данные в список по месяцам

df <- split(some_data, some_data$month)

группировать элементы списка, определяющие набор поездов и тестов

df <- lapply(seq_along(df)[-length(df)], function(x){
  train <- do.call(rbind, df[1:x])
  test <- df[x+1]
  return(list(train = train,
              test = test))

})

результат df представляет собой список из 7 элементов, каждый из которых содержит кадры поезда и тестовых данных.