R：所有樣本都一樣

Question

我正在使用 R 編程語言。 我有一個數據集，其中包含一個人的身高以及他們是否打籃球。

我想看看平均而言，超過 80%（身高方面）的人是否會打籃球。

為此，我：

• 我隨機將數據分成 70% 的組（訓練）和 30% 的組（測試）
• 我計算了火車組的第 80 個百分點：使用這個第 80 個百分點，我看看測試組有多少人打籃球
• 我計算平均准確度（在測試組中）
• 我多次重復此過程（例如 100 次）並計算總平均值。

以下是生成此示例數據的 R 代碼：

set.seed(123)

height <- rnorm(1000,210,5)
status <- c("basketball", "not_basketball")
basketball_status <- as.character(sample(status, 1000, replace=TRUE, prob=c(0.80, 0.20)))
data_1 <- data.frame(height, basketball_status)

height <- rnorm(1000,190,1)
status <- c("basketball", "not_basketball")
basketball_status <- as.character(sample(status, 1000, replace=TRUE, prob=c(0.8, 0.2)))
data_2 <- data.frame(height, basketball_status)


height <- rnorm(1000,170,5)
status <- c("basketball", "not_basketball")
basketball_status <- as.character(sample(status, 1000, replace=TRUE, prob=c(0.20, 0.80)))
data_3 <- data.frame(height, basketball_status)


my_data <- rbind(data_1, data_2, data_3)

這是迭代過程：

library(dplyr)

results <- list()
for (i in 1:100) {

  train_i<-sample_frac(my_data, 0.7)

  sid<-as.numeric(rownames(train_i))

  test_i<-my_data[-sid,]
 
  quantiles = data.frame( train_i %>% summarise (quant_1 = quantile(height, 0.80)))
 
 
  test_i$basketball_pred = as.character(ifelse(test_i$height > quantiles$quant_1 , "basketball",   "not_basketball" ))
 
  test_i$accuracy = ifelse(test_i$basketball_pred == test_i$basketball_status, 1, 0)
 
  
 
  results_tmp = data.frame(test_i %>%
                          
                           dplyr::summarize(Mean = mean(accuracy, na.rm=TRUE)))
 
  results_tmp$iteration = i
 
  results_tmp$total_mean = mean(test_i$accuracy)
  results[[i]] <- results_tmp
}

results

results_df <- do.call(rbind.data.frame, results)

但是當我運行迭代過程時，所有的平均值看起來都一樣：

head(results_df)
       Mean iteration total_mean
1 0.8344444         1  0.8344444
2 0.8344444         2  0.8344444
3 0.8344444         3  0.8344444
4 0.8344444         4  0.8344444
5 0.8344444         5  0.8344444
6 0.8344444         6  0.8344444

問題：有誰知道為什么會這樣？

謝謝

Answer 1

我認為sid<-as.numeric(rownames(train_i))沒有按照您的預期進行。 您可能希望確定前一行中包含哪些原始數據幀行train_i<-sample_frac(my_data, 0.7) ，但它實際上只是輸出 1:2100，以便以后的所有步驟都提供相同的結果時間。

我想如果你用以下內容替換這些行：

my_data$row = 1:nrow(my_data)
train_i <- sample_frac(my_data, 0.7)
sid <- train_i$row

你會得到你期待的結果。

         Mean iteration total_mean
1   0.5111111         1  0.5111111
2   0.5244444         2  0.5244444
3   0.5177778         3  0.5177778
4   0.5488889         4  0.5488889
5   0.5322222         5  0.5322222

對我有用的完整代碼：

results <- list()
for (i in 1:100) {
  
  my_data$row = 1:nrow(my_data)
  train_i<-sample_frac(my_data, 0.7)
  sid<-train_i$row
  
  test_i<-my_data[-sid,]
  
  quantiles = data.frame( train_i %>% summarise (quant_1 = quantile(height, 0.80)))
  
  
  test_i$basketball_pred = ifelse(test_i$height > quantiles$quant_1 , "basketball",   "not_basketball" )
  
  test_i$accuracy = ifelse(test_i$basketball_pred == test_i$basketball_status, 1, 0)
  
  results_tmp = data.frame(test_i %>%
                             
                             dplyr::summarize(Mean = mean(accuracy, na.rm=TRUE)))
  
  results_tmp$iteration = i
  
  results_tmp$total_mean = mean(test_i$accuracy)
  results[[i]] <- results_tmp
}