如何基于训练集分箱区间自动划分验证集样本分组？

核心逻辑 #

从训练组生成的groups矩阵列名中解析分位数区间规则，再将验证集的score_val逐一匹配到对应区间，生成与训练组结构一致的分组矩阵。

具体步骤（R语言，适配GenericML包场景） #

1. 解析训练组的区间规则 #

先从groups的列名中提取每个分组对应的数值上下限：

# 获取训练组分组的列名
group_cols <- colnames(groups)

# 解析每个列名的区间边界
interval_list <- lapply(group_cols, function(col) {
  # 剔除括号符号，分割出上下限字符串
  bounds <- gsub("\\[|\\)|\\]", "", col) %>% strsplit(", ") %>% unlist()
  list(
    lower = as.numeric(bounds[1]),
    upper = as.numeric(bounds[2]),
    group_name = col
  )
})

2. 匹配验证集score到对应分组 #

初始化验证组分组矩阵，遍历每个score值匹配区间：

# 创建空的验证组分组矩阵
groups_val <- matrix(0, nrow = length(score_val), ncol = length(group_cols))
colnames(groups_val) <- group_cols

# 逐个匹配score值
for (i in seq_along(score_val)) {
  current_score <- score_val[i]
  # 找到符合条件的区间索引
  match_pos <- which(sapply(interval_list, function(interval) {
    current_score >= interval$lower & current_score < interval$upper
  }))
  # 处理刚好等于最大上限的特殊情况（如score=1.0）
  if (length(match_pos) == 0) {
    match_pos <- which(sapply(interval_list, function(interval) {
      interval$upper == max(sapply(interval_list, function(x) x$upper))
    }))
  }
  # 标记对应分组
  groups_val[i, match_pos] <- 1
}

3. 验证分组正确性 #

随机抽取样本检查匹配结果：

# 随机选5个样本验证
check_idx <- sample(length(score_val), 5)
cbind(score_val[check_idx], groups_val[check_idx, ])

关键注意点 #

• 必须保证训练集和验证集的score是用同一scoring rule生成的，否则区间匹配无效。
• 区间的开闭逻辑要和quantile_group函数的参数保持一致（比如是否包含上限）。
• 若groups是因子类型，需先转换为列名再解析区间。

内容的提问来源于stack exchange，提问作者riccardo-df