Domande taggate «caret»

Caret è un pacchetto R contenente una serie di funzioni che tentano di semplificare il processo di creazione di modelli predittivi.

1
Pacchetto GBM vs. Caret tramite GBM
Ho usato il tuning del modello caret, ma poi rieseguendo il modello usando il gbmpacchetto. Comprendo che il caretpacchetto utilizza gbme l'output dovrebbe essere lo stesso. Tuttavia, solo un rapido test eseguito utilizzando data(iris)mostra una discrepanza nel modello di circa il 5% utilizzando RMSE e R ^ 2 come metrica …
1
Come trovare un intervallo di previsione GBM
Sto lavorando con i modelli GBM usando il pacchetto caret e sto cercando un metodo per risolvere gli intervalli di previsione per i miei dati previsti. Ho cercato a fondo ma ho solo alcune idee per trovare gli intervalli di previsione per Random Forest. Qualsiasi aiuto / codice R sarebbe …
1
La preelaborazione è necessaria prima della previsione utilizzando FinalModel di RandomForest con pacchetto di inserimento?
Uso il pacchetto di cursore per allenare un oggetto randomForest con 10x10CV. library(caret) tc <- trainControl("repeatedcv", number=10, repeats=10, classProbs=TRUE, savePred=T) RFFit <- train(Defect ~., data=trainingSet, method="rf", trControl=tc, preProc=c("center", "scale")) Successivamente, testare randomForest su un testSet (nuovi dati) RF.testSet$Prediction <- predict(RFFit, newdata=testSet) La matrice di confusione mi mostra che il modello …
1
R / mgcv: Perché i prodotti tensor te () e ti () producono superfici diverse?
Il mgcvpacchetto per Rha due funzioni per adattare le interazioni del prodotto tensore: te()e ti(). Comprendo la divisione di base del lavoro tra i due (adattamento di un'interazione non lineare rispetto alla scomposizione di questa interazione in effetti principali e un'interazione). Quello che non capisco è perché te(x1, x2)e ti(x1) …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 
2
Variante Caret per il modello randomForest
Ho difficoltà a capire come varImpfunziona la funzione per un modello randomForest con il caretpacchetto. Nell'esempio seguente, la funzione var3 assume un'importanza zero utilizzando la varImpfunzione caret , ma il modello finale randomForest sottostante ha un'importanza diversa da zero per la funzione var3. Perché è così? require(randomForest) require(caret) rf <- …
10 r  caret  random-forest 
Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.
Licensed under cc by-sa 3.0 with attribution required.