没有适用于 'predict' 的适用方法应用于 class "c('ksvm', 'vm')" 的 object for iml::Predictor in R

Question

我在 R 中有以下代码段，我尝试在其中训练基于 SVM 的模型：

library(base)
library(caret)
library(iml)
library(tidyverse)

dataset <- read_csv("https://gist.githubusercontent.com/dmpe/bfe07a29c7fc1e3a70d0522956d8e4a9/raw/7ea71f7432302bb78e58348fede926142ade6992/pima-indians-diabetes.csv", col_names=FALSE)
X = dataset[, 1:8]
Y = as.factor(ifelse(dataset$X9 == 1, 'diabetes', 'nondiabetes'))

set.seed(88)

nfolds <- 3
cvIndex <- createFolds(Y, nfolds, returnTrain = T)

fit.control <- trainControl(method="cv",
                            index=cvIndex,
                            number=nfolds,
                            classProbs=TRUE,
                            savePredictions=TRUE,
                            verboseIter=TRUE,
                            summaryFunction=twoClassSummary,
                            allowParallel=FALSE)

model <- caret::train(X, Y,
                      method = "svmLinear",
                      trControl = fit.control,
                      preProcess=c("center","scale"),
                      tuneLength=10)

pred <- Predictor$new(model$finalMode, data=dataset)
pdp <- FeatureEffect$new(pred, "X1", method="pdp")

但是，预测器抛出错误并显示在标题中。知道为什么会发生这种情况以及如何克服它吗？

Answer 1

您不需要 select 模型 $finalModel（您在该行中有错字吗？您有 $finalMode - 没有 l）。你运行一行如：

pred <- predict(model, newdata, type = "prob")

Caret 将自动使用得分最高的模型。如果您 select type = "prob"，输出将为您提供糖尿病（第 1 列）或非糖尿病（第 2 列）的互补概率。如果你想要插入符号 'model' 对象中的特定模型，那么我相信你可以（从你之前的折叠问题中）挑选出来 - 但我从来没有这样做过，我不确定如何。

对于你的部分依赖图，好吧，我使用 pdp 包，所以像这样的东西应该可以工作：

library(pdp)
varname = 'X1' # Change this to whatever your first variable is called, or subsequently variables you are interested in.
partial(model, pred.var = varname, 
        train = X, chull=T, prob = T, progress = "text")

其中 X 是您训练模型所用的数据（我认为在您的情况下是 X？）

没有适用于 'predict' 的适用方法应用于 class "c('ksvm', 'vm')" 的 object for iml::Predictor in R

No applicable method for 'predict' applied to an object of class "c('ksvm', 'vm')" for iml::Predictor in R

r

machine-learning

r-caret

iml