标签: r-caret

我似乎无法找到关于svmLinear和svmLinear2之间的区别如下页面。

有什么不同？

对于 CART 模型，caret 似乎只提供复杂性参数的调整。有没有办法调整其他参数，例如 minbucket？

我正在使用插入符号拟合模型，但我缺少一些数据。我记得在传递参数以训练“preProcess =”medianImpute”之前有一次，但是我收到了一个意外错误：

library(caret)
x <- mtcars
x[1:5, "cyl"] <- c(NA, NA, NA, NA, NA)

mod.mt <- train(
  mpg ~.,
  method = "rpart", # decision tree
  tuneLength = 3,
  preProcess = "medianImpute",
  data = x)

给出：

Error in na.fail.default(list(mpg = c(21, 21, 22.8, 21.4, 18.7, 18.1,  : 
  missing values in object

因为我正在使用 preProcess 我以为我是在告诉 caret 对任何缺失值使用中值插补。所以这个错误是出乎意料的？

使用 RFE，您可以获得特征的重要性等级，但现在我只能使用包内的模型和参数，例如：lmFuncs(linear model),rfFuncs(random forest) 似乎

caretFuncs

可以对自己的模型和参数做一些自定义设置，但是我不知道细节，正式文档没有给出细节，我想在这个RFE过程中应用svm和gbm，因为这是我当前使用的模型训练，有人知道吗？

我正在使用虹膜数据集在R中练习SVM，并且我想从模型中获取特征权重/系数，但是鉴于我的输出为我提供了32个支持向量，因此我认为我可能会误解某些东西。假设我要分析四个变量，我将得到四个。我知道使用该svm()函数时有一种方法，但是我尝试使用train()插入符号中的函数来生成我的SVM。

library(caret)

# Define fitControl
fitControl <- trainControl(## 5-fold CV
              method = "cv",
              number = 5,
              classProbs = TRUE,
              summaryFunction = twoClassSummary )

# Define Tune
grid<-expand.grid(C=c(2^-5,2^-3,2^-1))

########## 
df<-iris head(df)
df<-df[df$Species!='setosa',]
df$Species<-as.character(df$Species)
df$Species<-as.factor(df$Species)

# set random seed and run the model
set.seed(321)
svmFit1 <- train(x = df[-5],
                 y=df$Species,
                 method = "svmLinear", 
                 trControl = fitControl,
                 preProc = c("center","scale"),
                 metric="ROC",
                 tuneGrid=grid )
svmFit1

我以为这很简单，svmFit1$finalModel@coef但是当我相信我应该得到4时，我得到了32个向量。为什么呢？

我想我已经被派到这里接受培训了。

library(caret)
library(mlbench)
library(plotROC)
library(pROC)

data(Sonar)
ctrl <- trainControl(method="cv", 
                     summaryFunction=twoClassSummary, 
                     classProbs=T,
                     savePredictions = T)
rfFit <- train(Class ~ ., data=Sonar, 
               method="rf", preProc=c("center", "scale"), 
               trControl=ctrl)
    
# Select a parameter setting
selectedIndices <- rfFit$pred$mtry == 2

我想绘制 ROC。

plot.roc(rfFit$pred$obs[selectedIndices],
         rfFit$pred$M[selectedIndices])

然而，当我尝试 ggplot2 方法时，它给了我完全不同的东西。

g <- ggplot(rfFit$pred[selectedIndices, ], aes(m=M, d=factor(obs, levels = c("R", "M")))) + 
  geom_roc(n.cuts=0) + 
  coord_equal() +
  style_roc()

g + annotate("text", x=0.75, y=0.25, label=paste("AUC =", round((calc_auc(g))$AUC, 4)))

我在这里做了一些非常错误的事情，但我不知道它是什么。谢谢。

我注意到predict()只会在完整案例中创建预测.我已经包含medianImpute在preProcess选项中,例如:

train(outcome ~ ., 
        data = df,
        method = "rf", 
        tuneLength = 5,
        preProcess = c("YeoJohnson", "center", "scale", "medianImpute"),
        metric = 'ROC', 
        trControl = train_ctrl)
}

这是否意味着我应该在训练集之前对缺失的值进行估算？如果没有,我无法为测试集中的所有情况创建预测.我曾在Kuhn博士的书中读过,在交叉验证过程中应该进行预处理......谢谢!

我正在尝试使用R的Caret包来使用应用于UCI机器学习中的"鲍鱼"数据库的KNN(链接到数据).但是当有分类值时,它不允许使用KNN.如何将分类值(在此数据库中"M","F","I")转换为数值,例如1,2,3？

我发现了与此类似的问题，但并没有解决我的问题：我使用插入号和游侠方法来拟合随机森林，然后使用预测来预测我的评估数据。这可行。但是，当我尝试获取预测概率时，出现以下错误：

[.data.frame（out，，obsLevels，drop = FALSE）中的错误：未定义的列已选择

代码（示例）

require(caret)

mtcars$carb <- as.factor(mtcars$carb)

tuneGrid <- expand.grid(mtry = c(10), min.node.size = c(1), splitrule = "extratrees")
rf_model<-train(carb~.,data=mtcars,method="ranger",
                trControl=trainControl(method="none")
                , tuneGrid = tuneGrid
)

predict(rf_model, mtcars, type="prob")

我确保碳水化合物是其他地方建议的因素。

有什么想法吗？

可以使用mlr？进行递归特征消除功能（rfe）。我知道用插入号可以实现此功能，但是即使有一些有关使用mlr选择功能的文档，我也找不到与rfe等效的文档。