R - 插入符 createDataPartition 返回比预期更多的样本

Question

我正在尝试将 iris 数据集拆分为训练集和测试集。我createDataPartition()是这样用的：

library(caret)
createDataPartition(iris$Species, p=0.1)
# [1]  12  22  26  41  42  57  63  79  89  93 114 117 134 137 142

createDataPartition(iris$Sepal.Length, p=0.1)
# [1]   1  27  44  46  54  68  72  77  83  84  93  99 104 109 117 132 134

我理解第一个查询。我有一个 0.1*150 个元素的向量（150 是数据集中的样本数）。但是，我应该在第二个查询中使用相同的向量，但我得到的是 17 个元素而不是 15 个元素的向量。

关于为什么我得到这些结果的任何想法？

Answer 1

Sepal.Length是一个数值特征；来自在线文档：

对于 numeric y，样本根据百分位数分为几组部分，并在这些子组内完成采样。对于createDataPartition，百分位数是通过groups参数设置的。

groups：对于 numeric y，分位数中的中断数

使用默认值：

groups = min(5, length(y)）

您的情况如下：

由于您没有指定groups，因此它采用的值是min(5, 150) = 5Breaks；现在，在这种情况下，这些中断与自然分位数一致，即最小值、第一分位数、中位数、第三分位数和最大值 - 您可以从以下位置看到summary：

> summary(iris$Sepal.Length)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  4.300   5.100   5.800   5.843   6.400   7.900 

对于数字特征，该函数将从上述中断（分位数）定义的 (4) 个间隔中的p = 0.1每一个中获取百分比；让我们看看每个时间间隔有多少个样本：

l1 = length(which(iris$Sepal.Length >= 4.3 & iris$Sepal.Length <= 5.1)) # 41
l2 = length(which(iris$Sepal.Length > 5.1 & iris$Sepal.Length <= 5.8))  # 39
l3 = length(which(iris$Sepal.Length > 5.8 & iris$Sepal.Length <= 6.4))  # 35
l4 = length(which(iris$Sepal.Length > 6.4 & iris$Sepal.Length <= 7.9))  # 35

每个时间间隔到底会返回多少个样本？这里有一个要点 - 根据源代码的第 140 行，它将是1 号和 2 号之间的乘积的上限。样品和您的p；让我们看看您的情况应该是什么p = 0.1：

ceiling(l1*p) + ceiling(l2*p) + ceiling(l3*p) + ceiling(l4*p)
# 17

答对了！:)