如何在一个循环中训练多个模型

Question

我想在的循环中使用 caret 包（7 个响应变量中的每一个） 训练多个模型。

我的 data.frame data 有 46 个预测变量（全部用于训练所有模型）和 7 个响应。

我尝试了一些 Rcode 但失败了：

models.list = list() Ynames = names(data)[47:ncol(data)] for(y in Ynames) { models.list[[y]] = train(as.name(y)~., subset(data,select=-Ynames[-y]),method="".....) }

我的变量 Ynames 包含所有响应。每个模型都必须使用单个响应变量进行训练。因此对于迭代 1，我们将针对 Ynames[1] 响应和所有 46 个预测变量训练模型，但有必要从数据集 data 中排除所有非第一响应变量 (Ynames[-1])。

Answer 1

如果您避免使用公式 class 并使用一个矩阵或 data.frame 作为您的响应并使用另一个矩阵作为您的预测变量，将会更容易：

Y <- matrix(runif(700, 0, 100), ncol = 7)
X <- matrix(runif(4600, 0, 100), ncol = 46)
colnames(Y) <- paste("Y", 1:ncol(Y))
colnames(X) <- paste("X", 1:ncol(X))

library(caret)

models.list = as.list(vector(length = ncol(Y)))
for(i in 1:ncol(Y)) {
    models.list[[i]] <- train(x = X, y = Y[,i], method = "lm")
}

Answer 2

这可能是与您的示例匹配的替代方法（使用 iris）。子集基于此 post：removing a list of columns from a data.frame using subset

models.list = list()
Ynames = names(iris)[3:ncol(iris)]

for(y in Ynames)
{
  to.remove <- Ynames[!Ynames==y]
  `%ni%` <- Negate(`%in%`)
  models.list[[y]] = train(as.name(y)~., subset(iris,select = names(iris) %ni% to.remove),method="".....)
}

如何在一个循环中训练多个模型

How to train several models within a loop for

for-loop

r

machine-learning

subset

r-caret