用CART方法自定义最优分箱函数时遇到的递归函数问题

1. calc_score_median<- function(df, col){
   
2. 
   
3. # 计算相邻评分的中位数，以便进行决策树二元切分
   
4. #
   
5. # param df: 待切分样本
   
6. # param col: 分割变量名称
   
7.   var_list <- sort(unique(df[,col]))
   
8.   var_median_list <- numeric(length(var_list)-1)
   
9.   for(i in 1:(length(var_list)-1)){
   
10.     var_median_list[i] = (var_list[i] + var_list[i+1]) / 2
    
11.   }
    
12.   return(var_median_list)
    
13. }
    
14. 
    
15. 
    
16. 
    
17. 
    
18. 
    
19. choose_best_split <- function(df,col,target,min_sample){
    
20.   # 使用CART分类决策树选择最好的样本切分点
    
21.   # 返回切分点
    
22.   # param sample_set: 待切分样本
    
23.   # param var: 分割变量名称
    
24.   # param min_sample: 待切分样本的最小样本量(限制条件),如果小于该阈值则不进行切分，可设置为整体样本量的5%
    
25.   var_median_list <- calc_score_median(df,col)
    
26.   median_len = length(var_median_list)
    
27.   sample_cnt <- dim(df)[1]
    
28.   sample1_cnt <- sum(df[,target])
    
29.   sample0_cnt <- sample_cnt-sample1_cnt
    
30.   Gini <- 1- ((sample1_cnt/sample_cnt)**2)-((sample0_cnt/sample_cnt)**2)
    
31.   bestGini <- 0.0
    
32.   bestSplit_point <- 0.0
    
33.   bestSplit_position <- 0.0
    
34.   for(i in 1:median_len){
    
35.     left <- df[which(df[,col] < var_median_list[i]),]
    
36.     right <- df[which(df[,col] > var_median_list[i]),]
    
37.     left_cnt <- dim(left)[1]
    
38.     right_cnt <- dim(right)[1]
    
39.     left1_cnt <- sum(left[,target])
    
40.     right1_cnt <- sum(right[,target])
    
41.     left0_cnt =  left_cnt - left1_cnt
    
42.     right0_cnt =  right_cnt - right1_cnt
    
43.     left_ratio = left_cnt / sample_cnt
    
44.     right_ratio = right_cnt / sample_cnt
    
45. 
    
46.     Gini_left = 1 - ((left1_cnt / left_cnt)**2) - ((left0_cnt / left_cnt)**2)
    
47.     Gini_right = 1 - ((right1_cnt / right_cnt)**2) - ((right0_cnt / right_cnt)**2)
    
48.     Gini_temp = Gini - (left_ratio * Gini_left + right_ratio * Gini_right)
    
49.     if(left_cnt < min_sample || right_cnt < min_sample){
    
50.       next
    
51.     }
    
52.     if(Gini_temp > bestGini){
    
53.       bestGini = Gini_temp
    
54.       bestSplit_point = var_median_list[i]
    
55.       if(median_len>1){
    
56.         bestSplit_position = i / (median_len - 1)
    
57.       }else{
    
58.         bestSplit_position = i / median_len
    
59.       }
    
60.     }else{
    
61.       next
    
62.     }
    
63.   }
    
64.   Gini = Gini - bestGini
    
65.   return(list(bestSplit_point, bestSplit_position))
    
66. }
    
67. 
    
68. 
    
69. 
    
70. 
    
71. bining_data_split <- function(df, col, target,min_sample,split_list){
    
72.   # 划分数据找到最优分割点list
    
73.   # param sample_set: 待切分样本
    
74.   # param var: 分割变量名称
    
75.   # param min_sample: 待切分样本的最小样本量(限制条件),如果小于该阈值则不进行切分，可设置为整体样本量的5%
    
76.   # param split_list: 最优分割点list,split_list 参数是用来保存返回的切分点，每次切分后返回的切分点存入该list
    
77.   middle <- choose_best_split(df,col,target,min_sample)
    
78.   split <- middle[[1]]
    
79.   position <- middle[[2]]
    
80.   if(split != 0){
    
81.     split_list <- c(split_list,split)
    
82.   }
    
83.   # 根据分割点划分数据集，继续进行划分
    
84. 
    
85.   sample_set_left <- df[which(df[,col] < split),]
    
86.   sample_set_right <- df[which(df[,col] > split),]
    
87.   # 如果左子树样本量超过2倍最小样本量，且分割点不是第一个分割点，则切分左子树
    
88.   #在这里判断切分点分割的左子树和右子树是否满足“内部节点再划分所需的最小样本数>=总样本量的10%”的条件，如果满足则进行递归调用。
    
89.   if(length(sample_set_left) >= (min_sample * 2) && ! position %in% c(0, 1)){
    
90.     bining_data_split(sample_set_left, col, target,min_sample, split_list)
    
91.   }else{
    
92.     return(NULL)
    
93.   }
    
94. 
    
95.   if(length(sample_set_right) >= (min_sample * 2) && ! position %in% c(0, 1)){
    
96.     bining_data_split(sample_set_right, col, target,min_sample, split_list)
    
97.   }else{
    
98.     return(NULL)
    
99.   }
    
100. 
     
101. }
     
102. 
     
103. 
     
104. 
     
105. get_bestsplit_list <- function(df, col,target,min_sample_ratio){
     
106.   # 计算最小样本阈值（终止条件）
     
107.   min_sample <- dim(df)[1]*min_sample_ratio
     
108.   split_list = c()
     
109.   bining_data_split(df, col, target,min_sample, split_list)
     
110.   return(split_list)
     
111. }

复制代码

bining_data_split函数被设计成一个递归函数,其中有一个关键的地方就是参数split_list，每次bining_data_split循环调用自身时希望会值能够不断的添加到split_list，最终用get_bestsplit_list 求split_list的结果，但是bining_data_split 函数中if(split != 0){
split_list <- c(split_list,split)
}这种设计好像是有问题的，导致结果出不来


求大神能帮忙解答解答，万分感谢