我将用一个例子来解释我的问题。假设您要根据以下属性预测个人的收入:{年龄,性别,国家/地区,城市}。你有一个像这样的训练数据集
train <- data.frame(CountryID=c(1,1,1,1, 2,2,2,2, 3,3,3,3),
RegionID=c(1,1,1,2, 3,3,4,4, 5,5,5,5),
CityID=c(1,1,2,3, 4,5,6,6, 7,7,7,8),
Age=c(23,48,62,63, 25,41,45,19, 37,41,31,50),
Gender=factor(c("M","F","M","F", "M","F","M","F", "F","F","F","M")),
Income=c(31,42,71,65, 50,51,101,38, 47,50,55,23))
train
CountryID RegionID CityID Age Gender Income
1 1 1 1 23 M 31
2 1 1 1 48 F 42
3 1 1 2 62 M 71
4 1 2 3 63 F 65
5 2 3 4 25 M 50
6 2 3 5 41 F 51
7 2 4 6 45 M 101
8 2 4 6 19 F 38
9 3 5 7 37 F 47
10 3 5 7 41 F 50
11 3 5 7 31 F 55
12 3 5 8 50 M 23
现在,假设我要预测一个居住在7号城市的新人的收入。我的训练集与7号城市的人进行了多达3个样本的采样(假设很多),因此我可以使用7号城市的平均收入来估算预测这个新人的收入。
现在假设我要预测一个居住在City 2中的新人的收入。我的训练集只有City 2的一个样本,因此City 2的平均收入可能不是可靠的预测指标。但是我可能可以使用1区的平均收入。
稍微推断一下这个想法,我可以将训练数据集转换为
Age Gender CountrySamples CountryIncome RegionSamples RegionIncome CitySamples CityIncome
1: 23 M 4 52.25 3 48.00 2 36.5000
2: 48 F 4 52.25 3 48.00 2 36.5000
3: 62 M 4 52.25 3 48.00 1 71.0000
4: 63 F 4 52.25 1 65.00 1 65.0000
5: 25 M 4 60.00 2 50.50 1 50.0000
6: 41 F 4 60.00 2 50.50 1 51.0000
7: 45 M 4 60.00 2 69.50 2 69.5000
8: 19 F 4 60.00 2 69.50 2 69.5000
9: 37 F 4 43.75 4 43.75 3 50.6667
10: 41 F 4 43.75 4 43.75 3 50.6667
11: 31 F 4 43.75 4 43.75 3 50.6667
12: 50 M 4 43.75 4 43.75 1 23.0000
因此,目标是以某种方式组合平均CityIncome,RegionIncome和CountryIncome,同时使用每个训练样本的数量为每个值赋予权重/可信度。(理想情况下,仍然包括“年龄和性别”信息。)
解决这类问题的技巧是什么?我更喜欢使用基于树的模型,例如随机森林或渐变增强,但是我很难使它们表现良好。
更新
对于任何人愿以刺这个问题,我已经生成的样本数据来测试您提出的解决方案在这里。