按组在插入符号中训练时间序列模型
Posted
技术标签:
【中文标题】按组在插入符号中训练时间序列模型【英文标题】：Train time series models in caret by group 【发布时间】：2019-08-30 20:32:49 【问题描述】：我有如下数据集
set.seed(503)
foo <- data.table(group = rep(LETTERS[1:6], 150),
y = rnorm(n = 6 * 150, mean = 5, sd = 2),
x1 = rnorm(n = 6 * 150, mean = 5, sd = 10),
x2 = rnorm(n = 6 * 150, mean = 25, sd = 10),
x3 = rnorm(n = 6 * 150, mean = 50, sd = 10),
x4 = rnorm(n = 6 * 150, mean = 0.5, sd = 10),
x5 = sample(c(1, 0), size = 6 * 150, replace = T))
foo[, period := 1:.N, by = group]
问题：我想预测y 提前一步，对于每个group，使用变量x1, ..., x5
我想在caret 中运行几个模型来决定我将使用哪个。
到目前为止，我正在使用时间片循环运行它
window.length <- 115
timecontrol <- trainControl(method = 'timeslice',
initialWindow = window.length,
horizon = 1,
selectionFunction = "best",
fixedWindow = TRUE,
savePredictions = 'final')
model_list <- list()
for(g in unique(foo$group))
for(model in c("xgbTree", "earth", "cubist"))
dat <- foo[group == g][, c('group', 'period') := NULL]
model_list[[g]][[model]] <- train(y ~ . - 1,
data = dat,
method = model,
trControl = timecontrol)
但是，我想同时运行所有组，使用虚拟变量来识别每个组，例如
dat <- cbind(foo, model.matrix(~ group- 1, foo))
y x1 x2 x3 x4 x5 period groupA groupB groupC groupD groupE groupF
1: 5.710250 11.9615460 22.62916 31.04790 -4.821331e-04 1 1 1 0 0 0 0 0
2: 3.442213 8.6558983 32.41881 45.70801 3.255423e-01 1 1 0 1 0 0 0 0
3: 3.485286 7.7295448 21.99022 56.42133 8.668391e+00 1 1 0 0 1 0 0 0
4: 9.659601 0.9166456 30.34609 55.72661 -7.666063e+00 1 1 0 0 0 1 0 0
5: 5.567950 3.0306864 22.07813 52.21099 5.377153e-01 1 1 0 0 0 0 1 0
但仍使用 timeslice 以正确的时间顺序运行时间序列。
有没有办法在trainControl 中声明time 变量，所以我的one step ahead 预测在这种情况下使用每轮多6 个观察值并删除前6 个观察值？
我可以通过对数据进行排序并弄乱horizon 参数来做到这一点（给定n 组，按时间变量排序并放入horizon = n），但如果组数发生变化，这必须改变。 initial.window 必须是 time * n_groups
timecontrol <- trainControl(method = 'timeslice',
initialWindow = window.length * length(unique(foo$group)),
horizon = length(unique(foo$group)),
selectionFunction = "best",
fixedWindow = TRUE,
savePredictions = 'final')
还有其他方法吗？
【问题讨论】：
【参考方案1】：我会使用tidyr::nest() 来嵌套组，然后使用purrr::map() 迭代数据。这种方法更加灵活，因为它可以适应不同的组大小、不同数量的组，以及传递给caret::train() 的变量模型或其他参数。此外，您可以使用 furrr 轻松并行运行所有内容。
加载包并创建数据
我使用tibble 而不是data.table。我还减少了数据的大小。
library(caret)
library(tidyverse)
set.seed(503)
foo <- tibble(
group = rep(LETTERS[1:6], 10),
y = rnorm(n = 6 * 10, mean = 5, sd = 2),
x1 = rnorm(n = 6 * 10, mean = 5, sd = 10),
x2 = rnorm(n = 6 * 10, mean = 25, sd = 10),
x3 = rnorm(n = 6 * 10, mean = 50, sd = 10),
x4 = rnorm(n = 6 * 10, mean = 0.5, sd = 10),
x5 = sample(c(1, 0), size = 6 * 10, replace = T)
) %>%
group_by(group) %>%
mutate(period = row_number()) %>%
ungroup()
减小initialWindow 的大小
window.length <- 9
timecontrol <- trainControl(
method = 'timeslice',
initialWindow = window.length,
horizon = 1,
selectionFunction = "best",
fixedWindow = TRUE,
savePredictions = 'final'
)
创建一个返回拟合模型对象列表的函数
# To fit each model in model_list to data and return model fits as a list.
fit_models <- function(data, model_list, timecontrol)
map(model_list,
~ train(
y ~ . - 1,
data = data,
method = .x,
trControl = timecontrol
)) %>%
set_names(model_list)
适合模特
model_list <- c("xgbTree", "earth", "cubist")
mods <- foo %>%
nest(-group)
mods <- mods %>%
mutate(fits = map(
data,
~ fit_models(
data = .x,
model_list = model_list,
timecontrol = timecontrol
)
))
如果您想查看特定组/模型的结果，您可以这样做：
mods[which(mods$group == "A"), ]$fits[[1]]$xgbTree
使用furrr进行并行处理
只需使用plan(multiprocess) 初始化worker 并将map 更改为future_map。请注意，如果您的计算机的处理核心少于 6 个，您可能希望将工作人员的数量更改为少于 6 个。
library(furrr)
plan(multiprocess, workers = 6)
mods <- foo %>%
nest(-group)
mods <- mods %>%
mutate(fits = future_map(
data,
~ fit_models(
data = .x,
model_list = model_list,
timecontrol = timecontrol
)
))
【讨论】：
据我了解，您为每个组运行不同的模型，对吧？关键是运行一个模型，通过虚拟模型来区分组。 所以您只是想要一种更优雅的方式来制作initialWindow 和horizon 取决于组大小？您在问题末尾提供的代码是否已经为您提供了所需的结果？
你想在训练期间只预测每个组/周期一次吗？
以上都不是。我想用组假人运行 1 个模型，而不是为每个组运行单独的模型。这是两个非常不同的东西。最后我的代码执行了第二个选项，我已经可以这样做了。我需要一种方法来做第一个，所有组的单一模型，考虑时间依赖性
我了解您不想按组独立训练单独的模型，这就是我在回答中所做的。你在最后定义的timecontrol 有什么问题？【参考方案2】：
我认为您正在寻找的答案实际上很简单。您可以使用trainControl() 的skip 参数在每个训练/测试集之后跳过所需的观察次数。这样，每个组周期只预测一次，训练组和测试组之间永远不会分割相同的周期，并且不会出现信息泄漏。
使用您提供的示例，如果您设置skip = 6 和horizon = 6（组数）和initialWindow = 115，那么第一个测试集将包括第 116 期的所有组，下一个测试集将包括周期 117 的所有组，依此类推。
library(caret)
library(tidyverse)
set.seed(503)
foo <- tibble(group = rep(LETTERS[1:6], 150),
y = rnorm(n = 6 * 150, mean = 5, sd = 2),
x1 = rnorm(n = 6 * 150, mean = 5, sd = 10),
x2 = rnorm(n = 6 * 150, mean = 25, sd = 10),
x3 = rnorm(n = 6 * 150, mean = 50, sd = 10),
x4 = rnorm(n = 6 * 150, mean = 0.5, sd = 10),
x5 = sample(c(1, 0), size = 6 * 150, replace = T)) %>%
group_by(group) %>%
mutate(period = row_number()) %>%
ungroup()
dat <- cbind(foo, model.matrix(~ group- 1, foo)) %>%
select(-group)
window.length <- 115
timecontrol <- trainControl(
method = 'timeslice',
initialWindow = window.length * length(unique(foo$group)),
horizon = length(unique(foo$group)),
skip = length(unique(foo$group)),
selectionFunction = "best",
fixedWindow = TRUE,
savePredictions = 'final'
)
model_names <- c("xgbTree", "earth", "cubist")
fits <- map(model_names,
~ train(
y ~ . - 1,
data = dat,
method = .x,
trControl = timecontrol
)) %>%
set_names(model_names)
【讨论】：
以上是关于按组在插入符号中训练时间序列模型的主要内容，如果未能解决你的问题，请参考以下文章