r - 如何处理partykit中的大量因素/类别

Question

我使用 partykit打包并遇到以下错误消息:

Error in matrix(0, nrow = mi, ncol = nl) : 
invalid 'nrow' value (too large or NA)
In addition: Warning message:
In matrix(0, nrow = mi, ncol = nl) :
NAs introduced by coercion to integer range

我使用了 this 中给出的示例文章，它将包裹及其处理与许多类别进行比较。

问题是，使用的拆分变量的类别太多。内 mob()函数创建了一个包含所有可能拆分的矩阵。仅此矩阵的大小为 p * (2^(p-1)-1) ，其中 p 是拆分变量的类别数。
根据使用的系统资源(RAM 等)，不同数量的 p 会发生给定的错误。

文章建议使用基尼标准。我觉得随着partykit包的用意，不能用基尼准则，因为我的不是目标变量的分类问题，而是模型规范问题。

因此，我的问题是:有没有办法找到这种情况下的拆分或减少要检查的拆分数量的方法？

Answer 1

这种仅搜索 k 个有序分割而不是 2^k -1 个无序分区的技巧仅在某些情况下有效，例如，当可以按每个类别中的平均值对响应进行排序时。我从来没有足够详细地研究过基本理论，但这仅在某些假设下有效，我不确定这些是否在某处被很好地阐明。您当然需要一个单变量问题，因为只有一个基础参数(通常是平均值)被优化。鉴于对 Gini 的强调，目标函数的可能连续可微性也可能是一个问题。

如 mob()可能最常用于对多个参数进行分区的情况，我认为不可能利用这个技巧。同样，ctree()可以很容易地应用于具有多变量分数的情况，即使响应变量是单变量(例如，用于捕获位置和尺度差异)。

我通常会建议将具有多个级别的因素分解为更小的部分。例如，如果您有一个观测值的邮政编码因子:那么可以使用一个表示州/省的因子，以及一个编码“大小”(面积或人口)的数字变量，一个编码农村与城市的因子，等等。当然，这是额外的工作，但通常也会导致更多可解释的结果。

话虽如此，如果有的话，partykit 就在我们的愿望 list 上利用这些技巧。但这不是我们当前议程的首要任务......