[R][DATA SCIENCE][PROGRAMACIÓN] Automatiza la Partición de Datasets en R con una Sencilla Función

La partición de datasets es un paso crucial en cualquier proyecto de machine learning. Para facilitar esta tarea, he creado una función en R que permite automatizar la partición, dividiendo los datos en conjuntos de entrenamiento, validación y prueba. A continuación, te explicaré cómo funciona esta función y cómo puedes utilizarla en tus propios proyectos.

Introducción

La preparación de los datos es un paso fundamental para el éxito en machine learning. Dividir el dataset en conjuntos de entrenamiento, validación y prueba asegura que nuestros modelos se entrenen y se evalúen adecuadamente. En este post, te presentaré una función en R que simplifica este proceso.

La Función partition_data

La función partition_data permite dividir tu dataset de manera eficiente. Los parámetros que puedes especificar incluyen el nombre de la columna objetivo, el porcentaje de datos para la partición de entrenamiento, y opcionalmente, la partición para validación y prueba.

# Función para automatizar la partición de datasets
partition_data <- function(data, target_column, train_ratio = 0.7, validate_ratio = NULL, seed = 123) {
  # Establecer la semilla para reproducibilidad
  set.seed(seed)
  
  # Crear partición de entrenamiento
  training_ids <- createDataPartition(data[[target_column]], p = train_ratio, list = FALSE)
  data_training <- data[training_ids, ]
  temp <- data[-training_ids, ]
  # Inicializar variables para validación y prueba
  data_validation <- NULL
  data_testing <- NULL
  
  # Si se especifica un ratio de validación
  if (!is.null(validate_ratio)) {
    validation_ids <- createDataPartition(temp[[target_column]], p = validate_ratio / (1 - train_ratio), list = FALSE)
    data_validation <- temp[validation_ids, ]
    data_testing <- temp[-validation_ids, ]
  } else {
    # Si no se especifica ratio de validación, dividir el resto en validación y prueba a partes iguales
    validation_ids <- createDataPartition(temp[[target_column]], p = 0.5, list = FALSE)
    data_validation <- temp[validation_ids, ]
    data_testing <- temp[-validation_ids, ]
  }
  
  # Devolver las particiones
  list(training = data_training, validation = data_validation, testing = data_testing)
}

Ejemplo de Uso

Veamos cómo usar esta función con un dataset de ejemplo:

# Leer el archivo CSV

data <- read.csv("../data/tema2/BostonHousing.csv")

# Particionar los datos usando la función

partitions <- partition_data(data, target_column = "MEDV", train_ratio = 0.7, validate_ratio = 0.15)

data_training <- partitions$training

data_validation <- partitions$validation

data_testing <- partitions$testing

Conclusión

La función partition_data te ayudará a ahorrar tiempo y a mantener tus procesos de partición de datos consistentes. Con esta herramienta, puedes enfocarte más en el análisis y modelado de datos, y menos en la preparación manual de los mismos.