问题标签 [r-caret]

我正在使用包method="parRF"下的 R 中命名的回归技术并行随机森林之一caret；它似乎比普通的随机森林工作得更快。我是否可以请求加快流程的实施细节的差异。

任何解释并行随机森林算法和实现的文档链接都会有很大帮助。

我正在解决一个多类分类问题并尝试使用广义增强模型（R 中的 gbm 包）。我面临的问题：插入符号的train功能method="gbm"似乎无法正确处理多类数据。下面给出一个简单的例子。

输出是

然而，如果我尝试在没有插入符号包装器的情况下使用 gbm，我会得到很好的结果。

仅供参考，由标记的在线代码##!将返回的类概率矩阵转换predict.gbm为最可能类的因子。输出是

任何建议如何使插入符号在多类数据上与 gbm 一起正常工作？

升级版：

我正在使用 R GBM 包来增强对一些尺寸为 10,000 X 932 的生物数据进行回归，我想知道 GBM 包的最佳参数设置是什么，尤其是（n.trees、shrinkage、interaction.depth 和 n.trees、shrinkage、interaction.depth 和 n. minobsinnode) 网上搜索的时候发现R上的CARET包可以找到这样的参数设置。但是，我很难将 Caret 包与 GBM 包一起使用，所以我只想知道如何使用 caret 来找到前面提到的参数的最佳组合？我知道这似乎是一个非常典型的问题，但是我阅读了插入符号手册并且仍然难以将插入符号与 gbm 集成，特别是因为我对这两个软件包都很陌生

包中的mlp方法caret调用中的mlp函数RSNNS。在RSNNS包中，我可以通过设置大小参数在神经网络中设置任意数量的隐藏层，例如

将建立一个具有两个隐藏层的神经网络，分别为 5 个和 7 个节点。我想使用这个caret包，因为它具有进行参数/模型搜索的功能，以及集群的并行实现。在caret，当我查找方法时，它只能用一个参数进行调整size，例如

建立一个具有 3 节点单隐藏层的神经网络。

我试过添加其他列mlpGrid等等，但caret似乎不允许添加第二个（或更多）隐藏层。

我正在通过doRedis在集群上运行插入符号train中的函数。在大多数情况下，它是有效的，但是我经常在这种性质的最后遇到错误：

和

当我跑步时，traceback()我得到：

这些错误不容易重现（即它们有时会发生，但并非始终如一），并且只会在运行结束时发生。集群上的标准输出显示所有正在运行和完成的任务，所以我有点困惑。

有没有人遇到过这些错误？如果是这样，了解原因并更好地解决？

我正在使用带有自定义拟合指标的插入符号，但我不仅需要最大化这个指标，还需要最大化它的置信区间的下限。所以我想最大化像mean(metric) - k * stddev(metric). 我知道如何手动执行此操作，但有没有办法告诉插入符号使用此功能自动选择最佳参数？

我正在参加 Kaggle Titanic 比赛，我有一个关于估算缺失值的问题。我正在尝试使用 Caret 包，我的训练集由因素和数字组成。

我想使用preProcessCaret 中的函数来估算缺失值，但在使用 preProcess 之前，我需要使用函数将所有因子转换为虚拟变量dummyVars。

然而，在使用dummyVars转换因子的过程中，所有的 NAs 都是由一些未知的算法预测age的，即使我指定了缺失的列也都变成了 1 na.action = na.pass。我想在不触及 NA 的情况下将我的因子转换为虚拟变量，以便我可以使用然后使用该preProcess函数来估算它们。我怎样才能做到这一点？

谢谢你。

在这里输入：

我正在尝试使用该caret软件包来玩模型的alpha关卡glmnet。问题是我使用的数据都是虚拟变量，我不想glmnet标准化它们。通常，如果我只是使用glmnet或单独使用cv.glmnet，我会添加

是否有caret关闭标准化的设置？

以下命令中 [[1]] 的功能是什么？

训练 <- createDataPartition(dataset$Class, p = .8)[[1]]

火车1 <-数据集[火车，]

我正在使用插入符号来拟合 gbm 模型。当我打电话时trainedGBM$finalModel$fit，我得到的输出看起来正确。

但是当我打电话时predict(trainedGBM$finalModel, origData, type="response")，我得到了非常不同的结果，predict(trainedGBM$finalModel, type="response")即使附加了 origData 也会产生不同的结果。在我看来，这些调用应该产生相同的输出。有人可以帮我确定问题吗？

上面的代码产生以下部分结果：