基于重采样的插入符号性能度量

Question

我进行了一个受惩罚的logistic回归，我用插入符号(glmnet)训练一个模型。

model_fit <- train(Data[,-1], Data[,1],
               method = "glmnet",
               family="binomial",
               metric = "ROC",
               maximize="TRUE",
               trControl = ctrl,
               preProc = c("center", "scale"),
               tuneGrid=expand.grid(.alpha=0.5,.lambda=lambdaSeq)
               )

根据插入符号文档，函数train“.计算基于重采样的性能度量”和“在每个数据集中，计算被保留样本的性能，并总结每个组合的均值和标准差”。

results是“一个数据帧”(包含)“训练错误率和调优参数的值”。

model_fit$results$ROC是一个向量(其大小等于我的调优参数lambda的大小)，它是跨重采样的性能度量的平均值吗？(而不是在重新估计整个样本对每个lambda值的模型之后，计算出整个样本的性能度量吗？)

Answer 1

model_fit$results$ROC是一个向量(其大小等于我的调优参数lambda的大小)，它是跨重采样的性能度量的平均值吗？

确切地说，长度将等于您的tuneGrid的行数，在这里它恰好与您的lambdaSeq的长度相一致(因为唯一的其他参数alpha是不变的)。

下面是一个来自 docs的快速示例(它使用了gbm和Accuracy度量，但想法是相同的)：

library(caret)
library(mlbench)
data(Sonar)

set.seed(998)
inTraining <- createDataPartition(Sonar$Class, p = .75, list = FALSE)
training <- Sonar[ inTraining,]
testing  <- Sonar[-inTraining,]

fitControl <- trainControl(method = "cv",
                           number = 5)

set.seed(825)

gbmGrid <-  expand.grid(interaction.depth = 3, 
                        n.trees = (1:3)*50, 
                        shrinkage = 0.1,
                        n.minobsinnode = 20)

gbmFit1 <- train(Class ~ ., data = training, 
                 method = "gbm", 
                 trControl = fitControl,
                 tuneGrid = gbmGrid,
                 ## This last option is actually one
                 ## for gbm() that passes through
                 verbose = FALSE)

在这里，gbmGrid有3行，即它仅由三(3)个不同的n.trees值组成，其他参数保持不变；因此，相应的gbmFit1$results$Accuracy将是长度为3的向量：

gbmGrid
#   interaction.depth n.trees shrinkage n.minobsinnode
# 1                 3      50       0.1             20
# 2                 3     100       0.1             20
# 3                 3     150       0.1             20

gbmFit1$results
#   shrinkage interaction.depth n.minobsinnode n.trees  Accuracy     Kappa AccuracySD   KappaSD
# 1       0.1                 3             20      50 0.7450672 0.4862194 0.05960941 0.1160537
# 2       0.1                 3             20     100 0.7829704 0.5623801 0.05364031 0.1085451
# 3       0.1                 3             20     150 0.7765188 0.5498957 0.05263735 0.1061387

gbmFit1$results$Accuracy
# [1] 0.7450672 0.7829704 0.7765188

返回的3个Accuracy值中的每一个都是我们作为重采样技术使用的5倍交叉验证的验证折叠中的度量结果；更准确地说，它是在这5倍中计算出的验证精度的平均值(您可以看到有一个AccuracySD列，也包含它的标准差)。

而不是在重新估计整个样本对每个lambda值的模型之后，计算出整个样本的性能度量吗？

对，不是那样的。