为什么不同的机器学习方法在插入符号中赋予相同的变量重要性？

Question

我正在使用插入符号比较不同的机器学习方法，但尽管这些方法非常不同，但我得到的变量贡献是相同的。

vNNet、ctree、enet、knn、M5、pcr、ridge、svmRadial 给出相同的变量贡献。

其中一些将 importance = TRUE 作为输入：vNNet、enet、knn、pcr、ridge、svmRadial。其他人生成了 importance = TRUE 的错误：ctree，M5。（错误是"Something is wrong; all the RMSE metric values are missing:"）

我的问题是为什么不同的方法赋予相同的变量重要性？这似乎是错误的，但我看不出我做错了什么。

library(ggplot2)
library(caret)
library(elasticnet)
library(party)

data_set <- diamonds[1:1000, c(1, 5, 6, 7, 8, 9, 10)]
formula <- price ~ carat + depth + table + x + y + z

set.seed(100)
enet_model <- train(formula,
                    importance = TRUE,
                    data = data_set,
                    method = "enet",
                    trControl = trainControl(method = "cv"),
                    preProc = c("center", "scale"))

set.seed(100)
ctree_model <- train(formula, 
                     data = data_set,
                     method = "ctree",
                     trControl = trainControl(method = "cv"))

set.seed(Set_seed_seed)
knn_model <- train(formula,
                   importance = TRUE,
                   data = data_set,
                   method = "knn",
                   preProc = c("center", "scale"),
                   tuneGrid = data.frame(k = 1:20),
                   trControl = training_control)

varImp(enet_model)
varImp(ctree_model)
varImp(knn_model)

我正在使用插入符号 6.0-52

Answer 1

来自?varImp：

For models that do not have corresponding varImp methods, see filterVarImp.

这些方法没有实现重要性分数，因此您可以获得无模型的度量。我可以根据系数值为 enet 添加一个，但是 knn 和 ctree 没有明显的方法。

为什么不同的机器学习方法在插入符号中赋予相同的变量重要性？

Why do different machine learning methods give the same variable importance, in caret?

r

machine-learning

party

r-caret