R语言--数据抽样的实现

 这里主要介绍简单随机抽样、分层抽样、整群抽样三种基本抽样方法。

用到的软件包及函数

软件包	函数	函数意义
base(无需加载，默认含有)	sample()	简单随机抽样
Sampling(需下载)	stratr()	分层抽样
	cluster()	整群抽样

 

实现三七原则实现训练集和测试集分割

实现简单的三七原则分割数据集和验证集

apache = data.frame(httpCode=c(200,200,200,404,404,500),
                    time=c(100,111,210,10,10,500),
                    api=c('index','index','logout','show','show','index'),
                    stringsAsFactors=F)
index_group <- sample(2, nrow(apache), replace = TRUE, prob=c(0.7, 0.3))
train_data <- apache[index_group == 1,]
test_data <- apache[ind == 2,]
str(house_data)

简单随机抽样

sample(x, size, replace = FALSE, prob =NULL)

 

x: 带抽取对象

size: 想要抽取的样本数量

replace: 是否为有放回，默认为FALSE，即无放回

prob: 设置个抽取样本的抽样概率，默认为无取值，即等概率抽样

 

例子，以MASS包中的Insurance数据集为例：

实现无放回抽样时，只需不对replace参数进行设置即可，此时size的取值不可以超过x的长度。

 

 

分层抽样

strata(data, stratanames=NULL, size, method=c("srswor","srswr","poisson","systematic"),pik,description=FALSE)

data: 带抽样数据

stratanames: 进行分层所依据的变量名称

size: 各层中要抽出的观测样本数

method: 选择4中抽样方法，分别为无放回、有放回、泊松、系统抽样，默认为srswor

pik: 设置各层中样本的抽样概率

description: 选择是否输出含有各层基本信息的结果

 

令description = T, 会给出共有多少层，每层中带抽样本总数及实际抽取样本数。

整群抽样

cluster(data, clustername, size, method=c("srswor","srswr","poisson","systematic"),

pik,description=FALSE)

 

clustername: 用来划分群的变量名称

size：需要抽取的群数

抽中了District = 2,4的两个整群（下图只显示了一部分）

 

训练集与测试集

         x为输入变量，y为输出变量。利用训练集中的x,y建立模型。

将测试集中的x带入模型，来预测测试集目标输出变量y的值，设为y^’，将训练集的x带入模型，来预测训练集目标输出变量y的值，设为y^’’。那么y^’’与y的误差评价了模型的拟合程度，即自己对自己的契合程度；而y^’与y的误差则评价了模型的推广程度，即与别人的契合程度。当我们说一个模型相对较好时，往往指该模型的拟合程度和推广程度综合最优。

 

一般控制训练集与测试集之比为3:1：