试图更好地理解train(tuneLength = )在{caret}中的工作原理。当试图理解{kernlab}中SVM方法之间的一些差异时，我感到困惑。我已经查看了文档（here）和插入符号训练页面（here）。
我的小例子是使用iris数据集创建五个模型，结果是here，可复制的代码是here（它们相当长，所以我没有复制并粘贴到帖子中）。{caret}文档：
tuneLength
一个整数，表示调整参数网格中的粒度量。默认情况下，此参数是应该由train生成的每个调整参数的级别数。如果trainControl具有选项search =“random”，则此参数是随机搜索将生成的调整参数组合的最大数量。（注意：如果给定，则必须命名此参数。）
在this example、trainControl(search = "random")和train(tuneLength = 30)中，但似乎有67个结果，而不是30个（优化参数组合的最大数量）？我试着四处看看是否有30个唯一的ROC值，甚至ydim值，但根据我的计数，它们不是。
对于玩具示例，我创建了以下表格：
的数据
有没有一种方法可以看到“引擎盖下”发生了什么？例如，M1（svmRadial）和M3（svmRadialSigma）都接受并被赋予了相同的调优参数，但基于调用$results，它们的使用方式似乎不同？
我对train(tuneLength = 9)的理解是，两个模型都会产生sigma和C的结果，每个结果都有9 values, 9 times，因为9是每个调优参数的级别数（随机搜索除外）？同样，M4会是9^3，因为train(tuneLength = 9)和3调优参数？
1条答案
按热度按时间oxcyiej71#
我需要更新更多的软件包文档，但细节在package web page for random search上拼写：
唯一组合的总数由
tuneLength选项指定为train。然而，对于使用RBF核的SVM来说，这一点尤其模糊。下面是一个运行：
svmRadial根据kernlab的sigest函数调整cost并使用sigma的单个值。对于网格搜索，tuneLength是要测试的cost值的数量，对于随机搜索，它是要评估的（cost，sigma）对的总数。svmRadialCost与svmRadial相同，但sigest在每个rescue循环中运行。对于random，search，它不会在sigma上进行优化。svmRadialSigma与网格搜索同时调整cost和sigma。在认知性能次优的情况下，我将其设置为在网格搜索期间最多尝试6个sigma值，因为我觉得成本空间需要更大的范围。对于随机搜索，它与svmRadial相同。svmRadialWeight与svmRadial相同，但也考虑了类权重，并且仅用于2类问题。至于网页上的SOM示例，这是一个错误。我对SOM参数空间进行了过度采样，因为需要对
xdim <= ydim & xdim*ydim < nrow(x)进行过滤。这个错误是由于我没有保持正确的参数数量。