Распространенным способом выборки/разделения данных в R является использование sample
, например, для номеров строк. Например:
require(data.table)
set.seed(1)
population <- as.character(1e5:(1e6-1)) # some made up ID names
N <- 1e4 # sample size
sample1 <- data.table(id = sort(sample(population, N))) # randomly sample N ids
test <- sample(N-1, N/2, replace = F)
test1 <- sample1[test, .(id)]
Проблема в том, что это не очень устойчиво к изменениям данных. Например, если мы отбросим только одно наблюдение:
sample2 <- sample1[-sample(N, 1)]
образцы 1 и 2 почти идентичны:
nrow(merge(sample1, sample2))
[1] 9999
Тем не менее, одно и то же разбиение строк дает очень разные наборы тестов, даже если мы установили начальное значение:
test2 <- sample2[test, .(id)]
nrow(test1)
[1] 5000
nrow(merge(test1, test2))
[1] 2653
Можно выбрать определенные идентификаторы, но это будет ненадежно, если наблюдения будут опущены или добавлены.
Как сделать разделение более устойчивым к изменениям данных? А именно, не изменилось ли назначение проверки для неизменных наблюдений, а не назначения отброшенных наблюдений и переназначения новых наблюдений?