Согласовано "лучшую музыку" и "пересчет результатов через параметры настройки" пакетные вставки Р
Я пытаюсь создать модель, используя каретку с сеткой мелодий
SvmGrid
И затем еще раз с подмножеством этой сетки:
SvmGrid
Проблема заключается в том, что я получаю разные" лучшие настройки "и" результаты пересчета по параметрам настройки", хотя значение параметра C, которое было выбрано для первой сетки настройки, также появляется в сетка второй мелодии.
Я также сталкиваюсь с этими расхождениями при использовании различных опций для параметра выборки, а также при использовании различных опций summaryFunction в trainControl()
Нет необходимости говорить, что, поскольку каждый раз выбирается другая лучшая модель, она влияет на результаты прогнозирования на тестовых наборах. У кого-нибудь есть ключ к разгадке, почему это происходит?Воспроизводимый набор данных:
library(caret)
library(doMC)
registerDoMC(cores = 8)
set.seed(2969)
imbal_train <- twoClassSim(100, intercept = -20, linearVars = 20)
imbal_test <- twoClassSim(100, intercept = -20, linearVars = 20)
table(imbal_train$Class)
Запуск с использованием первой сетки мелодий
svmGrid <- expand.grid(C = c(0.0001,0.001,0.01,0.1,1,10,20,30,40,50,100))
up_fitControl = trainControl(method = "cv", number = 10 , savePredictions = TRUE, allowParallel = TRUE, sampling = "up", seeds = NA)
set.seed(5627)
up_inside <- train(Class ~ ., data = imbal_train,
method = "svmLinear",
trControl = up_fitControl,
tuneGrid = svmGrid,
scale = FALSE)
up_inside
Вывод первого запуска:
> up_inside
Support Vector Machines with Linear Kernel
100 samples
25 predictors
2 classes: 'Class1', 'Class2'
No pre-processing
Resampling: Cross-Validated (10 fold)
Summary of sample sizes: 90, 91, 90, 90, 89, 90, ...
Addtional sampling using up-sampling
Resampling results across tuning parameters:
C Accuracy Kappa Accuracy SD Kappa SD
1e-04 0.7734343 0.252201364 0.1227632 0.3198165
1e-03 0.8225253 0.396439198 0.1245455 0.3626456
1e-02 0.7595960 0.116150973 0.1431780 0.3046825
1e-01 0.7686869 0.051430454 0.1167093 0.2712062
1e+00 0.7695960 -0.004261294 0.1162279 0.2190151
1e+01 0.7093939 0.111852756 0.2030250 0.3810059
2e+01 0.7195960 0.040458804 0.1932690 0.2580560
3e+01 0.7195960 0.040458804 0.1932690 0.2580560
4e+01 0.7195960 0.040458804 0.1932690 0.2580560
5e+01 0.7195960 0.040458804 0.1932690 0.2580560
1e+02 0.7195960 0.040458804 0.1932690 0.2580560
Accuracy was used to select the optimal model using the largest value.
The final value used for the model was C = 0.001.
Запуск с использованием второй сетки мелодий
svmGrid <- expand.grid(C = c(0.0001,0.001,0.01,0.1,1,10,20,30,40,50))
up_fitControl = trainControl(method = "cv", number = 10 , savePredictions = TRUE, allowParallel = TRUE, sampling = "up", seeds = NA)
set.seed(5627)
up_inside <- train(Class ~ ., data = imbal_train,
method = "svmLinear",
trControl = up_fitControl,
tuneGrid = svmGrid,
scale = FALSE)
up_inside
Выход второго запуска:
> up_inside
Support Vector Machines with Linear Kernel
100 samples
25 predictors
2 classes: 'Class1', 'Class2'
No pre-processing
Resampling: Cross-Validated (10 fold)
Summary of sample sizes: 90, 91, 90, 90, 89, 90, ...
Addtional sampling using up-sampling
Resampling results across tuning parameters:
C Accuracy Kappa Accuracy SD Kappa SD
1e-04 0.8125253 0.392165694 0.13043060 0.3694786
1e-03 0.8114141 0.375569633 0.12291273 0.3549978
1e-02 0.7995960 0.205413345 0.06734882 0.2662161
1e-01 0.7495960 0.017139266 0.09742161 0.2270128
1e+00 0.7695960 -0.004261294 0.11622791 0.2190151
1e+01 0.7093939 0.111852756 0.20302503 0.3810059
2e+01 0.7195960 0.040458804 0.19326904 0.2580560
3e+01 0.7195960 0.040458804 0.19326904 0.2580560
4e+01 0.7195960 0.040458804 0.19326904 0.2580560
5e+01 0.7195960 0.040458804 0.19326904 0.2580560
Accuracy was used to select the optimal model using the largest value.
The final value used for the model was C = 1e-04.
1 ответ:
Если вы не предоставите семена в
caret
, он выберет их для вас. Поскольку у вас есть разные длины для вашей сетки, семена будут немного отличаться для ваших складок.Ниже я вставил пример, где я только что переименовал вашу вторую модель, чтобы легче было получить результат для сравнения:
> up_inside$control$seeds[[1]] [1] 825016 802597 128276 935565 324036 188187 284067 58853 923008 995461 60759 > up_inside2$control$seeds[[1]] [1] 825016 802597 128276 935565 324036 188187 284067 58853 923008 995461 > up_inside$control$seeds[[2]] [1] 966837 256990 592077 291736 615683 390075 967327 349693 73789 155739 916233 # See how the first seed here is the same as the last seed of the first model > up_inside2$control$seeds[[2]] [1] 60759 966837 256990 592077 291736 615683 390075 967327 349693 73789
Если вы сейчас пойдете вперед и установите свои собственные семена, вы получите тот же результат:
# Seeds for your first train myseeds <- list(c(1:10,1000), c(11:20,2000), c(21:30, 3000),c(31:40, 4000),c(41:50, 5000), c(51:60, 6000),c(61:70, 7000),c(71:80, 8000),c(81:90, 9000),c(91:100, 10000), c(343)) # Seeds for your second train myseeds2 <- list(c(1:10), c(11:20), c(21:30),c(31:40),c(41:50),c(51:60), c(61:70),c(71:80),c(81:90),c(91:100), c(343)) > up_inside Support Vector Machines with Linear Kernel 100 samples 25 predictor 2 classes: 'Class1', 'Class2' No pre-processing Resampling: Cross-Validated (10 fold) Summary of sample sizes: 90, 91, 90, 90, 89, 90, ... Addtional sampling using up-sampling Resampling results across tuning parameters: C Accuracy Kappa 1e-04 0.7714141 0.239823027 1e-03 0.7914141 0.332834590 1e-02 0.7695960 0.207000745 1e-01 0.7786869 0.103957926 1e+00 0.7795960 0.006849817 1e+01 0.7093939 0.111852756 2e+01 0.7195960 0.040458804 3e+01 0.7195960 0.040458804 4e+01 0.7195960 0.040458804 5e+01 0.7195960 0.040458804 1e+02 0.7195960 0.040458804 Accuracy was used to select the optimal model using the largest value. The final value used for the model was C = 0.001. > up_inside2 Support Vector Machines with Linear Kernel 100 samples 25 predictor 2 classes: 'Class1', 'Class2' No pre-processing Resampling: Cross-Validated (10 fold) Summary of sample sizes: 90, 91, 90, 90, 89, 90, ... Addtional sampling using up-sampling Resampling results across tuning parameters: C Accuracy Kappa 1e-04 0.7714141 0.239823027 1e-03 0.7914141 0.332834590 1e-02 0.7695960 0.207000745 1e-01 0.7786869 0.103957926 1e+00 0.7795960 0.006849817 1e+01 0.7093939 0.111852756 2e+01 0.7195960 0.040458804 3e+01 0.7195960 0.040458804 4e+01 0.7195960 0.040458804 5e+01 0.7195960 0.040458804 Accuracy was used to select the optimal model using the largest value. The final value used for the model was C = 0.001.