如何在quanteda的SML工作流中实现k-fold交叉验证并解决报错？

问题背景 #

你正在使用quanteda的文本分类工作流，希望用k-fold交叉验证替代固定的训练/测试集拆分，但尝试实现时遇到错误：Error in group.samples(Y) : argument "Y" is missing, with no default。

报错原因 #

你错误加载了第三方crossval包，该包的crossval()函数与quanteda.classifiers中内置的crossval()方法冲突。此外，你直接传入了训练好的textmodel_nb模型，而quanteda的交叉验证需要指定模型函数、特征矩阵和响应变量，而非预训练模型。

正确实现步骤 #

1. 移除冲突包：不要加载crossval包，使用quanteda.classifiers自带的交叉验证方法。
2. 准备输入数据：确保你有标准化的dfm特征矩阵和对应的分类标签（如sentiment）。
3. 调用quanteda的crossval：直接传入模型函数（textmodel_nb）、特征矩阵、响应变量，以及交叉验证的k值等参数。

完整修正代码 #

require(quanteda)
require(quanteda.textmodels)
require(caret)

# 加载数据
corp_movies <- data_corpus_moviereviews

# 文本预处理
toks_movies <- tokens(corp_movies, remove_punct = TRUE, remove_number = TRUE) %>% 
  tokens_remove(pattern = stopwords("en")) %>% 
  tokens_wordstem()
dfmt_movie <- dfm(toks_movies)

# 提取分类标签
y <- docvars(dfmt_movie, "sentiment")

# 执行5-fold交叉验证（朴素贝叶斯模型）
# 按类别返回评估指标
cv_results_class <- crossval(textmodel_nb, x = dfmt_movie, y = y, k = 5, by_class = TRUE)
print(cv_results_class)

# 返回整体评估指标
cv_results_overall <- crossval(textmodel_nb, x = dfmt_movie, y = y, k = 5, by_class = FALSE)
print(cv_results_overall)

# 显示详细过程
cv_results_verbose <- crossval(textmodel_nb, x = dfmt_movie, y = y, k = 5, by_class = FALSE, verbose = TRUE)

关键说明 #

• crossval()函数接受模型函数（如textmodel_nb）作为第一个参数，而非训练好的模型对象。
• x传入你的dfm特征矩阵，y传入对应的分类变量。
• by_class = TRUE会返回每个类别的精确率、召回率等指标，FALSE返回整体的混淆矩阵和宏平均指标。
• 确保你的quanteda和quanteda.textmodels包是最新版本，避免因版本兼容导致的问题。

内容的提问来源于stack exchange，提问作者Max Overbeck