在 R 中按 ID 分类
Posted
技术标签:
【中文标题】在 R 中按 ID 分类【英文标题】：Classification in R by ID 【发布时间】：2017-09-27 13:24:19 【问题描述】：为了性能，我一直在尝试使用 RandomForestSRC 包在 R 中进行一些分类。
在这种特殊情况下，我有以下示例 data.frame，其中 Y 是分类因子 c("X","Y","Z")，ID 表示项目在同一个包中分组在一起，他们还有其他变量可以告诉我结果应该是 X、Y 还是 Z：
y ID x1 x2 x3 ...
X 01 AA BB CC ...
X 01 AA BB DD ...
X 01 AA FF EE ...
Y 02 AA BB CC ...
Y 02 AA BB EE ...
Z 03 AA FF CC ...
Z 03 AA FF EE ...
... ... ... ... ... ...
在训练算法后，它成功地为我提供了以下结果，每个项目的准确率都很高，但没有按包 ID 对项目进行分组：
y ID x1 x2 x3 ...
Y 01 AA BB CC ...
X 01 AA BB DD ...
Z 01 AA FF EE ...
Y 02 AA BB CC ...
Y 02 AA BB EE ...
Z 03 AA FF CC ...
Z 03 AA FF EE ...
... ... ... ... ... ...
包裹分类规则如下：
如果至少有一项物品被归类为X，则整个包裹应为X；
如果同一个包中只有Y和Z，则该包应归类为Y；
如果包裹中只有Z个物品，那么整个包裹都应该归类为Z。
因此，出于分类目的，包装上的重量应为 X > Y > Z。
我试过摆弄给算法的公式，使用类似的东西：
rf <- rfsrc(y ~ ., data = model, method = "class")
rf <- rfsrc(y ~ ID %in% (x1+x2+x3+...), data = model, method = "class")
rf <- rfsrc(y ~ (x1+x2+x3+...) / ID, data = model, method = "class")
但是，似乎没有什么能很好地发挥作用，有时会降低单个项目的准确性。我考虑过分层预测，使用第一个结果作为算法第二次迭代的模型，但我真的不知道如何到达那里。
我是否应该放弃使用随机森林进行分类，而完全尝试其他算法？ nnet 或 h2o 可以为我工作吗？我对数据挖掘和预测算法完全陌生，所以请多多包涵。
【问题讨论】：
【参考方案1】：经过大量研究，我想我找到了我需要的东西。
我使用了reshape 包来为我的data.frame 建模并将一些变量转换为行。如果其他人需要，这些是我遵循的材料：
http://had.co.nz/reshape/introduction.pdf
https://www.r-statistics.com/2012/01/aggregation-and-restructuring-data-from-r-in-action/
在研究了这些材料和google了一些之后，我想出了以下代码：
library(reshape)
aux <- melt(myData, id=c('y','ID','x1'))
myData <- as.data.frame(cast(aux, ... ~ variable+value, function(x) length(x) != 0))
结果是以下重塑的 data.frame：
y ID x1 x2_BB x2_FF x3_CC x3_DD x3_EE ...
X 01 AA TRUE TRUE TRUE TRUE TRUE ...
Y 02 AA TRUE FALSE TRUE FALSE TRUE ...
Z 03 AA FALSE TRUE TRUE FALSE TRUE ...
... ... ... ... ... ... ... ... ...
【讨论】：
以上是关于在 R 中按 ID 分类的主要内容，如果未能解决你的问题，请参考以下文章