在插入符号的交叉验证期间计算模型校准？

Question

第一次发帖，如有新手错误请见谅

我正在使用 R 中的插入符包进行 class化。我正在对训练集使用重复的 10 折交叉验证来拟合一些模型（GBM、线性 SVM、NB、LDA）。使用自定义 trainControl，caret 甚至为我提供了一系列模型性能指标，如 ROC、Spec/sens、Kappa、测试折叠的准确性。那真是太棒了。我还想要一个指标：某种模型校准指标。

我注意到插入符号内有一个 function 可以创建校准图来估计模型性能在数据部分之间的一致性。在交叉验证的模型构建过程中，是否可以让 caret 为每个测试折叠计算这个？或者它只能应用于我们正在预测的一些新的保留数据吗？

对于某些情况，目前我有这样的事情：

fitControl <- trainControl(method = "repeatedcv", repeats=2, number = 10, classProbs = TRUE, summaryFunction = custom.summary)
gbmGrid <-  expand.grid(.interaction.depth = c(1,2,3),.n.trees = seq(100,800,by=100),.shrinkage = c(0.01))
gbmModel <- train(y= train_target, x = data.frame(t_train_predictors),
              method = "gbm",
              trControl = fitControl,
              tuneGrid = gbmGrid,
              verbose = FALSE)

如果有帮助，我将使用 ~25 个数值预测变量和 N=2,200，预测两个 class 因子。

非常感谢任何help/advice。亚当

Answer 1

calibration 函数接受您提供的任何数据。您可以从 train 子对象 pred:

中获取重采样值

> set.seed(1)
> dat <- twoClassSim(2000)
> 
> set.seed(2)
> mod <- train(Class ~ ., data = dat, 
+              method = "lda",
+              trControl = trainControl(savePredictions = TRUE,
+                                       classProbs = TRUE))
> 
> str(mod$pred)
'data.frame':   18413 obs. of  7 variables:
 $ pred     : Factor w/ 2 levels "Class1","Class2": 1 2 2 1 1 2 1 1 2 1 ...
 $ obs      : Factor w/ 2 levels "Class1","Class2": 1 2 2 1 1 2 1 1 2 2 ...
 $ Class1   : num  0.631 0.018 0.138 0.686 0.926 ...
 $ Class2   : num  0.369 0.982 0.8616 0.3139 0.0744 ...
 $ rowIndex : int  1 3 4 10 12 13 18 22 25 27 ...
 $ parameter: Factor w/ 1 level "none": 1 1 1 1 1 1 1 1 1 1 ...
 $ Resample : chr  "Resample01" "Resample01" "Resample01" "Resample01" ...

那么你可以使用：

> cal <- calibration(obs ~ Class1, data = mod$pred)
> xyplot(cal)

请记住，对于许多重采样方法，单个训练集实例将被保留多次：

> table(table(mod$pred$rowIndex))

  2   3   4   5   6   7   8   9  10  11  12  13  14  15  16  17 
  2  11  30  77 135 209 332 314 307 231 185  93  48  16   6   4

如果你愿意，你可以平均每个 rowIndex 的 class 概率。

最大

在插入符号的交叉验证期间计算模型校准？

Calculate model calibration during cross-validation in caret?

r

classification

machine-learning

calibration

r-caret