插入符号是用于分类和回归训练的R包。它为R的几个机器学习包提供了标准化的界面，以及用于培训和绘图的实用程序。
caret train() 预测与 Predict.glm() 非常不同
我正在尝试使用 10 倍交叉验证来估计逻辑回归。 #导入库 图书馆（汽车）；库（插入符号）；图书馆（e1071）；库（验证） #数据导入和准备...
在应用 varImp 函数时使用带插入符号的 xgbTree 方法和目标变量的权重时出现非树模型错误
当我使用 Caret 包中的“train”函数创建模型以使用权重进行梯度提升时，在使用“varImp”函数时出现错误，表示它没有检测到树...
我正在使用 iml 包从插入符训练的射频模型中导出 ALE 值。在分类任务中，因变量的级别具有语法上无效的字符串值，这可能...
我有一个非常大的数据框，有超过 200 个变量。 我正在运行 cor() 以获得具有相关值的矩阵，然后使用函数 caret::findCorrelation，调用 findCorrel...
我在使用 R caret 包的 train 函数的 preProc 参数上遇到问题。我想居中并缩放我的预测变量，但忽略因子列。当我在...之外进行预处理时
我在我的一个项目中使用插入符函数“train()”，我想添加 “自定义指标”F1 分数。我查看了这个 url 插入符包 但我不明白我如何才能建立这个分数......
我是 R 新手，我的疑问非常基本。 我有几个因变量 (x) 和一个自变量 (y)，我想生成具有 10 倍交叉有效的不同回归模型...
我有一个observeEvent，我对反应数据进行一些预处理： 观察事件（输入$preprocess_btn，{ 请求（输入$imputation_numeric，输入$imputation_categorical） object_recip...
我计划制作一个应用程序，根据用户想要应用于菜谱的预处理方法来预处理数据。 每个预处理方法都在不同的observeEvent() 上执行操作...
所以我的闪亮应用程序上有下一段代码： 观察事件（输入$change_type_btn，{ 请求（输入$var_cambio） selected_column <- input$var_cambio data(data() %>% 变异（年龄=...
我正在尝试在 R 中输出支持向量机二元分类模型的变量重要性，但它不断产生错误。 我在 Iris 数据集上尝试了相同的代码，它的工作原理是
“mlpWeightDecayML”和“glmnet”的自适应重采样超参数调整算法（插入符包）
我正在比较 R 中的不同超参数调整算法，并且我一直在尝试插入符号包中的自适应随机采样。我在尝试插入符号模型时遇到了一个奇怪的错误'
mtry 值取决于tuneGrid 范围，即使使用相同的种子
我正在尝试寻找条件随机森林的最佳 mtry 值。我在 caret::train 函数的帮助下做到了这一点，发现根据网格范围，我甚至得到了不同的最佳 mtry...
假设我有一个K=10的K折列表，每个元素包含插入符分类性能输出： dput(transformed_conf_matrices$Fold01) 结构(c(1, 1, 1, 1, 1, 1, 1, 0.333333333333333, 0.
当使用 R caret 比较同一数据集上的多个模型时，如果为所有模型指定了相同的tuneLength，caret 足够智能，可以为不同模型选择不同的调整范围...
Caret包的train函数中tuneLength在不同模型中如何工作？ ctree模型 <- train(CompressiveStrength ~ ., + data = trainingSet, + method = "ctree", + tuneLe...
R 了解 {caret} 训练（tuneLength = ）和 {kernlab} 的 SVM 方法
尝试更好地理解 train(tuneLength = ) 在 {caret} 中的工作原理。当我试图理解 {kernlab} 的 SVM 方法之间的一些差异时，我感到困惑，我已经回顾了
我正在使用以下代码使用 R 实现弹性网络 型号 <- train( Sales ~., data = train_data, method = "glmnet", trControl = trainControl("cv", number = 10), tuneLength = 10 ) I'm con...
我正在尝试构建机器学习算法的集合，第一个使用提升算法，第二个使用堆叠算法。当我尝试创建模型时，我得到以下信息...
我有一个工作函数，经过编码以优化并行处理（希望如此）。我仍然不是最精通 R，尤其是函数和迭代。 我希望有人在那里......