HOWTO · R
Implementieren Sie die Funktion train() in R
Dieses Tutorial zeigt, wie Sie die Zugfunktion in R implementieren und verwenden.
Auf dieser Seite
Für das Klassifikations- und Regressionstraining wird die Methode train() (aus der Caret-Bibliothek) verwendet. Es wird auch verwendet, um die Modelle abzustimmen, indem die Komplexitätsparameter ausgewählt werden.
Dieses Tutorial zeigt, wie Sie die Methode train() aus dem Caret-Paket in R verwenden.
Implementieren Sie die Funktion train() in R
Um die Methode train() zu verwenden, müssen wir zuerst das Caret- und andere erforderliche Pakete installieren. In unserem Fall verwenden wir die Pakete caret und mlbench.
install.packages("caret", dependencies = c("Depends", "Suggests"))
install.packages('mlbench')
Nachdem die Pakete installiert sind, können wir sie laden und verwenden. Wir verwenden den eingebauten Datensatz iris für die Methode train():
# Load Packages
library(caret)
library(mlbench)
# Load IRIS dataset
data(iris)
# Show the first Six lines of the iris data set
head(iris)
Der obige Code lädt die Pakete und den Datensatz und zeigt die ersten sechs Zeilen des Iris-Datensatzes:
Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1 5.1 3.5 1.4 0.2 setosa
2 4.9 3.0 1.4 0.2 setosa
3 4.7 3.2 1.3 0.2 setosa
4 4.6 3.1 1.5 0.2 setosa
5 5.0 3.6 1.4 0.2 setosa
6 5.4 3.9 1.7 0.4 setosa
Als nächstes muss aus dem Datensatz ein Objekt erstellt werden, das später in der Methode train() verwendet wird:
# create binary object
iris$binary <- ifelse(iris$Species=="setosa",1,0)
iris$Species <- NULL
Eine trainControl()-Methode wird dann verwendet, um die Resampling-Methode zu modifizieren. Diese Methode benötigt mehrere Parameter; die Ausgabe wird in der Methode train() verwendet:
ctrl <- trainControl(method = "repeatedcv",
number = 4,
savePredictions = TRUE,
verboseIter = T,
returnResamp = "all")
Schließlich können wir die Methode train() verwenden, um das Datenmodell zu optimieren. Es wird das oben erstellte binäre Objekt verwenden.
Als Parameter haben wir die data, method, family und trControl:
# the train method
iris_train <- train(binary ~.,
data=iris,
method = "glm",
family="binomial",
trControl = ctrl)
Ausgang:
+ Fold1.Rep1: parameter=none
- Fold1.Rep1: parameter=none
+ Fold2.Rep1: parameter=none
- Fold2.Rep1: parameter=none
+ Fold3.Rep1: parameter=none
- Fold3.Rep1: parameter=none
+ Fold4.Rep1: parameter=none
- Fold4.Rep1: parameter=none
Aggregating results
Fitting final model on full training set
Das Modell ist jetzt trainiert. Wir können die Leistung auf Faltebene sehen:
# fold level performance
iris_train$resample
Resampling-Ausgang:
RMSE Rsquared MAE parameter Resample
1 3.929660e-06 1.0000000 6.420415e-07 none Fold1.Rep1
2 2.735382e-13 1.0000000 6.115382e-14 none Fold2.Rep1
3 8.221919e-12 1.0000000 1.397945e-12 none Fold3.Rep1
4 9.119130e-04 0.9999968 1.479318e-04 none Fold4.Rep1
Sobald das Modell trainiert ist, können wir mithilfe der anderen Optionen im Datensatz Zwischenmodelle erstellen.
Vollständiger Beispielcode
Hier ist der vollständige Beispielcode für Ihre Bequemlichkeit:
install.packages("caret", dependencies = c("Depends", "Suggests"))
install.packages('mlbench')
# Load Packages
library(caret)
library(mlbench)
# Load IRIS dataset
data(iris)
# Show the first Six lines of the iris data set
head(iris)
# create binary object
iris$binary <- ifelse(iris$Species=="setosa",1,0)
iris$Species <- NULL
# use trainControl() method to modify the resampling method
ctrl <- trainControl(method = "repeatedcv",
number = 4,
savePredictions = TRUE,
verboseIter = T,
returnResamp = "all")
# the train method
iris_train <- train(binary ~.,
data=iris,
method = "glm",
family="binomial",
trControl = ctrl)
# fold level performance
iris_train$resample
