我们可以通过利用 foreach 包、nnet 和 caret 包使用多核并行训练神经网络模型吗？

我只看到并行的随机森林实现。神经网络可以吗？

我对插入符号的 train 函数特别感兴趣，它可以对最佳隐藏层和衰减大小进行网格搜索。这需要很长时间才能在单核上运行。

任何帮助表示赞赏。

我想知道如何在 CARET 包的 AVNNET 中更改或选择传输函数，例如 logig 或 tansig？

我正在使用caret包来调整模型alpha的lambda参数glmnet。我的特征在X（数据框，14474 个变量中的 47 个 obs，一个 p>>N 问题），因变量y是一个 47 个 obs 的数据框。1 个变量。

当我尝试

我明白了

我试过转置y，也改成class(y) = "numeric"，而不是，"data.frame"但我得到了同样的错误，我不明白。有什么线索吗？

我正在对我的数据使用两个不同的包来训练两个 SVM 模型，并得到截然不同的结果。这是可以预料的吗？

使用 e1071 的模型 1

使用插入符号的模型2

calculateAUC()是我定义的一个函数，用于计算 AUC 值，给定目标的预测值和实际值。我将这些值视为：

型号 1 (e1071)

1
0.8567979

模型2（插入符号）

0.9910193
0.758201

这是可能的吗？还是我做错了？

如果有帮助，我可以提供示例数据

我正在尝试运行弹性网络。从 LASSO 开始，然后从那里开始。我可以让它直接运行，但是当我尝试train在caret包中运行相同的参数时它会失败。我想开始train工作，以便可以使用它来评估模型参数。

请注意，上述示例中的任何共线性只是对可重现示例进行子集化的结果（1,000 行与真实数据集中的 208,000 行）。

我以各种方式检查了完整的数据集，包括findLinearCombos. 请注意，有几百个变量是从临床诊断中虚拟出来的，因此是二进制的，只有低比例的 1。

我如何获得train(...,method="enet") to run using the exact same settings asenet()`？

再现性、会话信息等数据。

示例数据x，y可在此处获得。

结果sessionInfo()：

更新

在数据集的 15% 样本上运行：

X 矩阵有 806 列，其中 801 列是虚拟的。其中许多假人非常稀疏（大约 25k 行中的 1-3 个观察值），其他人的值的 0.1-5% 为 TRUE。总共有 108867 个 TRUE 和 21mm FALSE。

我正在尝试使用包中的rfe函数caret对属于大约 50 个不同类的 400 个变量运行特征选择，总共有 8000 个样本。如果我将我的数据子集为大约 5 个类和 10 个变量，那么一切正常。但是，当我包含整个数据集时，R 运行了大约 32 小时，然后我收到警告说R GUI has stopped working. 我尝试将我的数据子集为 100 个变量和 1000 个样本，同样的事情发生了。我尝试使用完全不同的 44 个变量数据集和属于 44 个类的大约 3000 个样本。然而，大约一天后，R 变得无响应并关闭。iris为了重现性，我在数据集上尝试了相同的代码：

我正在运行 Windows 7，因此无法使用推荐的doMC软件包。我在具有 32G RAM 的机器上使用了最新的 64 位 R 版本。仍然没有成功。有什么我在这里俯瞰的吗？

我正在设计一个神经网络模型，该模型使用有限的更多扩展输入数据（如纹理、体积密度和一两个保水性）来预测 van genuchten 保水参数（theta_r、thera_s、alpha、n）的估计。在研究 R 项目中的神经网络时，我发现了 RSNNS 包，我创建并训练了多个多层感知器 (MLP)，并调整了隐藏单元的数量和学习率。这些模型的训练和测试 RMSE 的一般性能非常差且随机，事实上，我使用 alpha 和 n 参数的对数转换值来避免偏差并考虑它们近似对数正态分布，但这并没有多大帮助:( . 我被推荐使用 nnet 和 caret 包，但我在调整代码时遇到了麻烦，我不知道我做错了什么，

我正在使用 rpart 在 caret 包中运行回归树分析，使用 oneSE 选项进行选择功能。当我这样做时，我经常会得到一个零分裂的模型。它表明没有模型会比任何模型更好。这应该发生吗？

这是一个例子：

这是模型输出：

这是 printcp 的输出：

但是，如果我直接在 rpart 中运行模型，我可以看到更大的、未修剪的树，它被修剪为上面所谓的更简约的模型：

Caret [我认为] 试图找到最小的树，其 RMSE 在具有最低 RMSE 的模型的 1 SD 范围内。这类似于 Venebles 和 Ripley 提倡的 1-SE 方法。在这种情况下，即使没有解释力，选择没有拆分的模型似乎也会陷入困境。

这是正确的吗？这个可以吗？似乎应该有一条规则来防止选择没有拆分的模型。

我有 ak 最近邻实现，它让我可以在单遍预测中计算多个 k 值以及训练和测试数据的多个子集（例如，K 折交叉验证中的所有折叠，AKA 重采样指标）。我的实现还可以利用多个内核。

我想将我的方法与 caret 包一起使用。我可以轻松地为 train 函数构建自定义方法。但这将导致对模型拟合的多次调用（每个参数和折叠组合调用一次）。

据我所知，我无法在使用 trainControl 时指明调优策略。train 的代码源提到了一些关于“seq”模型拟合的内容：

但是我看不到任何方法可以将其与自定义模型一起实际使用。

关于如何解决这个问题的任何线索？

更一般地说，假设您有一个模型类，您可以在其中使用单个模型拟合来估计多个参数的预测误差（例如，线性回归 LOOCV 技巧，但也适用于多个参数值），您将如何在插入符号中连接它？

以下是在插入符号中设置（空）自定义模型的一些示例代码：

我想控制训练过程，以便在一次调用中生成所有折叠和参数值的预测。

我正在使用R包confusionMatrix中的函数来计算我拥有的一些数据的一些统计数据。我一直在将我的预测以及我的实际值放入函数中，以获取要在函数中使用的表，如下所示：carettableconfusionMatrix

然而，有多种可能的结果（例如 A、B、C、D），我的预测并不总是代表所有的可能性（例如只有 A、B、D）。函数的结果输出table不包括缺失的结果，如下所示：

该confusionMatrix函数无法处理丢失的结果并给出错误：

有没有办法我可以table不同地使用该函数来获取带有零的缺失行，或者以confusionMatrix不同的方式使用该函数，以便它将缺失的结果视为零？

注意：由于我是随机选择要测试的数据，因此有时一个类别也没有在实际结果中表示，而不仅仅是预测结果。我不相信这会改变解决方案。