R中如何基于混合类型自变量查找使因变量均值最小的参数组合

你的场景属于离散取值空间的组合寻优问题，所有自变量的合法取值均已在数据集内预定义，无需使用optim()这类连续优化工具，直接按自变量分组统计即可，原生支持混合类型的分类变量、离散化数值变量。

通用实现方案 #

核心逻辑是将所有自变量作为分组键，计算每个自变量组合对应的因变量均值，排序后取均值最小的组合即可。

方法1：基础R实现（无第三方包依赖） #

直接使用内置的aggregate()函数完成分组统计，适配所有版本R环境：

# 按全部自变量分组，计算每组因变量dv的均值
grouped_result <- aggregate(
  formula = dv ~ .,
  data = df,
  FUN = mean
)
# 按dv均值升序排序，第一行即为均值最小的参数组合
optimal_comb <- grouped_result[order(grouped_result$dv), ][1, ]
# 打印结果
print(optimal_comb)

方法2：dplyr实现（适合大数据量处理） #

如果习惯使用tidyverse生态处理数据，代码可读性更高，大样本下运算速度更快，同时支持附加统计量计算：

library(dplyr)

optimal_comb <- df %>%
  # 选中所有iv开头的自变量作为分组键
  group_by(across(starts_with("iv_"))) %>%
  # 计算每组dv均值、组内样本量
  summarise(
    dv_mean = mean(dv),
    sample_size = n(),
    .groups = "drop"
  ) %>%
  # 可先过滤样本量过小、不具备统计代表性的组合
  # filter(sample_size >= 3) %>%
  # 按dv均值从小到大排序
  arrange(dv_mean) %>%
  # 取排名第一的最优组合
  slice(1)

print(optimal_comb)

注意：数千条观测的数据集很可能存在部分自变量组合只有1-2条样本的情况，这类组合的均值容易受极端值影响，建议根据业务要求设置最小样本量阈值，过滤掉样本量不足的组后再筛选最优组合。

为什么optim()不适配当前场景 #

• optim()为连续参数优化设计，迭代过程中会自动生成新的参数值探索参数空间，但你的场景中所有合法参数组合都已存在于数据集内，数据集外的参数值没有对应预计算结果，迭代生成新值完全无效
• optim()原生仅支持数值型参数输入，无法直接处理分类变量的离散取值，强行适配需要编写复杂的参数值映射逻辑，运算效率和结果稳定性都很差

数据覆盖不足场景的可选方案 #

如果数据集无法覆盖全部可能的自变量组合，需要泛化寻找最优取值区间而非精确已存在组合，可以训练回归树模型预测因变量，提取预测值最小的终端节点对应的自变量取值路径即可，示例代码如下：

library(rpart)
# 训练回归树预测dv
tree_model <- rpart(dv ~ ., data = df, cp = 0.01)
# 查看最优终端节点对应的变量取值路径
print(tree_model)

这种方法得到的是自变量的最优取值区间，而非精确的离散取值组合，适合数据稀疏的场景使用。 #

内容的提问来源于stack exchange，提问作者eartoolbox