从训练集数据中排除项目

Question

我有两个colors和excluded_colors的数据。

colors包含所有颜色excluded_colors包含一些我希望从我的训练集中排除的颜色。

我试图将数据分成训练集和测试集，并确保excluded_colors中的颜色不在我的训练集中，但存在于测试集中。

为了实现上述目标，我做了如下操作

var colors = spark.sql("""
   select colors.* 
   from colors 
   LEFT JOIN excluded_colors 
   ON excluded_colors.color_id = colors.color_id
   where excluded_colors.color_id IS NULL
"""
)
val trainer: (Int => Int) = (arg:Int) => 0
val sqlTrainer = udf(trainer)
val tester: (Int => Int) = (arg:Int) => 1
val sqlTester = udf(tester)
val rsplit = colors.randomSplit(Array(0.7, 0.3))  
val train_colors = splits(0).select("color_id").withColumn("test",sqlTrainer(col("color_id")))
val test_colors = splits(1).select("color_id").withColumn("test",sqlTester(col("color_id")))

然而，我意识到，通过上述excluded_colors中的颜色完全被忽略了。它们甚至不在我的测试集中。

我如何将数据分成70/30，同时确保excluded_colors中的颜色不是在训练中而是在测试中存在。

Answer 1

我们要做的是从训练集中删除"被排除的颜色"，但将它们放在测试中，并将训练/测试分割为70/30。

我们需要的是一点数学。

给定总数据集(TD)和排除的颜色数据集(E)，我们可以说对于训练数据集(Tr)和测试数据集(Ts):

|Tr| = x * (|TD|-|E|)
|Ts| = |E| + (1-x) * |TD|

我们知道|Tr| = 0.7 |TD|

因此x = 0.7 |TD| / (|TD| - |E|)

现在我们知道了采样因子x，我们可以说:

Tr = (TD-E).sample(withReplacement = false, fraction = x)
// where (TD - E) is the result of the SQL expr above
Ts = TD.sample(withReplacement = false, fraction = 0.3)
// we sample the test set from the original dataset