如何随机 select 训练和测试子集对于 R 中的特定变量具有相同比例的值？

Question

我有一个包含 16 个变量的数据集data 。 变量之一， DiseasePositive ，表示某人是否对某种疾病呈阳性反应。 因此，它的值为0或1 。

我想要做的如下：

1. 随机 select 70% 的数据子集来训练 model。
2. 确保训练集和测试集具有DiseasePositive==0和DiseasePositive==1的人的比例大致相等。

我读到我可以使用sample.split做 70% 的事情，但我不知道如何做第二件事。 如何使用sample.split function（来自caTools包）执行此操作？

我所做的是这样，但我不确定这是否是 function 的工作方式：

data$spl <- sample.split(data$DiseasePositive,SplitRatio = 0.7)
train    <- subset(data, data$spl==TRUE)
test     <- subset(data, data$spl==FALSE)

Answer 1

这是一个定制的 R 解决方案：

stratified.sample <- function(var, p) {
  obs  <- seq_along(var)
  grps <- unique(var)
  inds <- numeric()
  for(g in grps) {
    inds <- c(inds, sample(obs[var==g], floor(sum(var==g)*p)))
  }
  inds
}

您可以使用上面的 function 对任何变量进行分层测试和训练，即使它有超过 2 个级别。 这是使用iris的演示：

tinds <- stratified.sample(iris$Species, 0.7)
train <- iris[tinds,]
test  <- iris[-tinds,]

确保保留了 class 余额：

table(train$Species)
table(test$Species)

---

使用sample.split和您的数据：

inds  <- sample.split(data$DiseasePositive, SplitRatio = 0.7)
train <- data[inds,]
test  <- data[!inds,]