R语言中100次随机划分数据集的最优存储方案咨询

作为R语言新手，你遇到的这个问题其实很常见——当需要多次重复数据集划分时，选对存储方式能让后续的模型训练和分析省心太多。首先明确：绝对不推荐为每组划分创建单独变量（比如H1, H2...H100），原因很简单：

• 手动创建100个变量会让代码极度冗余，写起来麻烦
• 后续遍历、对比这些变量时，需要写大量重复代码，维护性极差
• 变量名过多会污染全局环境，容易出错

而列表(List)是最适合的存储方式，它能灵活收纳所有划分结果，且方便后续批量处理。下面给你两种具体实现方式，按需选择：

方式1：直接存储划分后的训练集和测试集 #

如果你的数据集不大，直接把每次划分好的完整数据集存在列表里，使用起来更直观：

library(rminer)

# 初始化一个长度为100的空列表
holdout_results <- vector("list", 100)

# 循环生成100次划分
for (i in 1:100) {
  # 执行划分，这里把ratio参数补全（比如设为0.7，即70%训练集）
  H <- holdout(myData$salary, ratio = 0.7)
  
  # 将当前划分的训练集、测试集存入列表
  holdout_results[[i]] <- list(
    train_set = myData[H$tr, ],
    test_set = myData[H$ts, ]
  )
}

# 调用示例：取第10次划分的训练集
holdout_results[[10]]$train_set

方式2：存储划分索引（更节省内存） #

如果你的数据集很大，直接存完整数据集会占用过多内存，优先存储划分的索引（即holdout返回的tr和ts），后续需要时再从原数据集中提取：

library(rminer)

holdout_indices <- vector("list", 100)

for (i in 1:100) {
  H <- holdout(myData$salary, ratio = 0.7)
  # 只存索引，不存完整数据集
  holdout_indices[[i]] <- list(
    train_idx = H$tr,
    test_idx = H$ts
  )
}

# 调用示例：取第5次划分的测试集
test_set_5 <- myData[holdout_indices[[5]]$test_idx, ]

后续：找到最优划分的小技巧 #

存好所有划分后，你可以批量训练模型、评估性能，最终找到最优的那一组：

# 假设用随机森林模型，先加载包
library(randomForest)

# 初始化向量存储每次划分的模型性能（比如均方误差MSE）
mse_scores <- numeric(100)

for (i in 1:100) {
  # 提取当前划分的训练/测试集（这里用索引方式举例）
  train_data <- myData[holdout_indices[[i]]$train_idx, ]
  test_data <- myData[holdout_indices[[i]]$test_idx, ]
  
  # 训练模型（假设salary是因变量，其他为自变量）
  rf_model <- randomForest(salary ~ ., data = train_data)
  
  # 预测并计算MSE
  predictions <- predict(rf_model, test_data)
  mse_scores[i] <- mean((test_data$salary - predictions)^2)
}

# 找到MSE最小的划分（即最优划分）
best_split_idx <- which.min(mse_scores)
best_train_set <- myData[holdout_indices[[best_split_idx]]$train_idx, ]
best_test_set <- myData[holdout_indices[[best_split_idx]]$test_idx, ]

这样一套流程下来，你不仅能高效存储所有划分，还能轻松找到最优的训练/测试集组合，代码也整洁易维护。

内容的提问来源于stack exchange，提问作者Andira Gita