K折交叉验证R语言实现

k-折交叉验证

k-折交叉验证（K-fold cross-validation）是交叉验证方法里一种。它是指将样本集分为k份，其中k-1份作为训练数据集，而另外的1份作为验证数据集。用验证集来验证所得分类器或者模型的错误率。一般需要循环k次，直到所有k份数据全部被选择一遍为止。

有关交叉验证的介绍可参考作者另一博文：
http://blog.csdn.net/yawei_liu1688/article/details/79138202

R语言实现

K折交叉验证，随机分组

数据打折-数据分组自编译函数：进行交叉检验首先要对数据分组，数据分组要符合随机且平均的原则

library(plyr)
CVgroup <- function(k,datasize,seed){
  cvlist <- list()
  set.seed(seed)
  n <- rep(1:k,ceiling(datasize/k))[1:datasize]    #将数据分成K份，并生成的完成数据集n
  temp <- sample(n,datasize)   #把n打乱
  x <- 1:k
  dataseq <- 1:datasize
  cvlist <- lapply(x,function(x) dataseq[temp==x])  #dataseq中随机生成k个随机有序数据列
  return(cvlist)
}

k <- 10
datasize <- nrow(iris)
cvlist <- CVgroup(k = k,datasize = datasize,seed = 1206)
cvlist

结果输出示例：

K折交叉验证
第一种方法：循环语句写验证

data <- iris
pred <- data.frame()   #存储预测结果
library(plyr)
library(randomForest)
m <- seq(60,500,by = 20)  #如果数据量大尽量间隔大点，间隔过小没有实际意义
for(j in m){   #j指的是随机森林的数量
  progress.bar <- create_progress_bar("text")  #plyr包中的create_progress_bar函数创建一个进度条，
  progress.bar$init(k)   #设置上面的任务数，几折就是几个任务
  for (i in 1:k){
    train <- data[-cvlist[[i]],]  #刚才通过cvgroup生成的函数
    test <- data[cvlist[[i]],]
    model <-randomForest(Sepal.Length~.,data = train,ntree = j)   #建模，ntree=j 指的树数
    prediction <- predict(model,subset(test,select = -Sepal.Length))   #预测
    randomtree <- rep(j,length(prediction))   #随机森林树的数量
    kcross <- rep(i,length(prediction))   #i是第几次循环交叉，共K次
    temp <- data.frame(cbind(subset(test,select = Sepal.Length),prediction,randomtree,kcross))#真实值、预测值、随机森林树数、预测组编号捆绑在一起组成新的数据框tenp
    pred <- rbind(pred,temp)   #temp按行和pred合并
    print(paste("随机森林：",j))  #循环至树数j的随机森林模型
    progress.bar$step() #输出进度条。告知完成了这个任务的百分之几
  }
}

结果输出示例1：

结果输出示例2：指标分别为真实值、预测值、随机森林树数、预测组编号

第二种方法：apply家族lapply
当测试的循环数较多或单任务耗时较多时，apply家族优势特别明显

data <- iris
library(plyr)
library(randomForest)
k = 10
j <- seq(10,10000,by = 20)   #j树的数量
i <- 1:k    #K折
i <- rep(i,times = length(j))
j <- rep(j,each = k)   #多少折，each多少
x <- cbind(i,j)
cvtest <- function(i,j){
  train <- data[-cvlist[[i]],]
  test <- data[cvlist[[i]],]
  model <- randomForest(Sepal.Length~.,data = train,ntree = j)
  prediction <- predict(model,subset(test,select = -Sepal.Length))
  temp <- data.frame(cbind(subset(test,select = Sepal.Length),prediction))
}

结果输出示例3：指标分别为真实值、预测值、随机森林树数、预测组编号

system.time(pred <- mdply(x,cvtest))   

mdyly在plyr包中：输出三个指标：“用户”“系统”“流逝”。其中“流逝”应该是这段代码从开始到结束的真正时间。对于一般单线程的程序来说这个时间近似于用户时间和系统时间之和，可以看出共运行了1386秒。