我有一个数据集，我希望对其进行分层抽样，使用caret包创建统计模型，然后生成预测结果。
我发现的问题是，在不同的分层数据集迭代中，我得到了显著不同的结果（这可能部分是因为数据样本相对较小，M=1000）。
我希望能够做到以下几点：
- 生成分层数据样本
- 创建机器学习模型
- 重复
1000次并取模型输出的平均值
我希望通过在分层数据集的变体上重复这些步骤，能够避免由于较小的数据样本而导致的预测结果中的细微变化。
例如，在R中可能看起来像这样：
Original.Dataset = data.frame(A)Stratified.Dataset = stratified(Original.Dataset, group = x)Model = train(Stratified.Dataset.....other model inputs)Repeat process with new stratified data set based on the original data and average out.非常感谢提前提供的任何帮助，或可能有用的包建议。是否可以在caret中进行分层抽样或模拟？
回答：
首先，欢迎来到SO。
很难理解您到底在想什么，您的问题非常宽泛。
如果您需要关于统计学的输入，我建议您在Cross Validated上提出更明确的问题。适用于对统计学、机器学习、数据分析、数据挖掘和数据可视化感兴趣的人的问答平台。
我发现的问题是，在不同的分层数据集迭代中，我得到了显著不同的结果（这可能部分是因为数据样本相对较小，M=1000）。
我假设您指的是模型的不同迭代。这取决于您不同组的大小。例如，如果您试图将由1000个样本组成的一组数据分成10个样本的组，您的模型很可能不稳定，因此每次迭代都会产生不同的结果。这也可能是由于您的模型依赖于某种随机性，而数据越小（以及组越多），您将会有越大的变化。有关交叉验证、稳定性和自助法聚合的更多信息，请参见这里或这里。
- 生成分层数据样本
如何生成：dplyr包在根据不同变量分组数据方面非常出色。您还可以使用base包中的split函数。有关更多信息，请参见这里。您还可以使用caret包中的内置方法，见这里。
如何知道如何分割：这在很大程度上取决于您希望回答的问题，很可能您希望平衡一些变量，例如性别和年龄，以便为预测疾病创建模型。有关更多信息，请参见这里。
在有例如重复观察的情况下，如果您想创建具有不同复制组合的唯一子集，并包含其独特的测量值，您将不得不使用其他方法。如果复制品有一个共同的标识符，这里是sample_names。您可以像这样做，以选择所有样本但具有不同的复制组合：
tg <- data.frame(sample_names = rep(1:5,each=2))set.seed(10)tg$values<-rnorm(10)partition <- lapply(1:100, function(z) { set.seed(z) sapply(unique(tg$sample_names), function(x) { which(x == tg$sample_names)[sample(1:2, 1)] })})#您数据的第一个分区，用于训练模型。tg[partition[[1]],]
- 创建机器学习模型
如果您想使用caret，您可以访问caret网页。查看所有可用的模型。根据您研究的问题和/或数据，您将希望使用不同类型的模型。因此，我建议您参加一些在线机器学习课程，例如由Andrew Ng提供的斯坦福大学课程（我自己也上过），以便更熟悉不同的主要算法。如果您熟悉这些算法，只需搜索可用的模型即可。
- 重复1000次并取模型输出的平均值
您可以使用不同的种子（见set.seed）和不同的训练方法（例如交叉验证或自助法聚合）重复您的模型1000次。caret包中有很多不同的训练参数：
trainControl函数生成进一步控制模型创建方式的参数，可能的值有：method：重采样方法：“boot”, “cv”, “LOOCV”, “LGOCV”, “repeatedcv”, “timeslice”, “none”和“oob”
有关这些方法的更多信息，请参见这里。
