R语言Caret中train支持的method

最新推荐文章于 2024-07-22 10:34:51 发布
最新推荐文章于 2024-07-22 10:34:51 发布
阅读量4.6k 收藏 30
点赞数 6
分类专栏： R 文章标签： 编程语言 r语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/magicdoubi/article/details/115260913
版权

可以使用以下代码查看

library(caret)
names(getModelInfo())

> names(getModelInfo())
  [1] "ada"                 "AdaBag"              "AdaBoost.M1"        
  [4] "adaboost"            "amdai"               "ANFIS"              
  [7] "avNNet"              "awnb"                "awtan"              
 [10] "bag"                 "bagEarth"            "bagEarthGCV"        
 [13] "bagFDA"              "bagFDAGCV"           "bam"                
 [16] "bartMachine"         "bayesglm"            "binda"              
 [19] "blackboost"          "blasso"              "blassoAveraged"     
 [22] "bridge"              "brnn"                "BstLm"              
 [25] "bstSm"               "bstTree"             "C5.0"               
 [28] "C5.0Cost"            "C5.0Rules"           "C5.0Tree"           
 [31] "cforest"             "chaid"               "CSimca"             
 [34] "ctree"               "ctree2"              "cubist"             
 [37] "dda"                 "deepboost"           "DENFIS"             
 [40] "dnn"                 "dwdLinear"           "dwdPoly"            
 [43] "dwdRadial"           "earth"               "elm"                
 [46] "enet"                "evtree"              "extraTrees"         
 [49] "fda"                 "FH.GBML"             "FIR.DM"             
 [52] "foba"                "FRBCS.CHI"           "FRBCS.W"            
 [55] "FS.HGD"              "gam"                 "gamboost"           
 [58] "gamLoess"            "gamSpline"           "gaussprLinear"      
 [61] "gaussprPoly"         "gaussprRadial"       "gbm_h2o"            
 [64] "gbm"                 "gcvEarth"            "GFS.FR.MOGUL"       
 [67] "GFS.LT.RS"           "GFS.THRIFT"          "glm.nb"             
 [70] "glm"                 "glmboost"            "glmnet_h2o"         
 [73] "glmnet"              "glmStepAIC"          "gpls"               
 [76] "hda"                 "hdda"                "hdrda"              
 [79] "HYFIS"               "icr"                 "J48"                
 [82] "JRip"                "kernelpls"           "kknn"               
 [85] "knn"                 "krlsPoly"            "krlsRadial"         
 [88] "lars"                "lars2"               "lasso"              
 [91] "lda"                 "lda2"                "leapBackward"       
 [94] "leapForward"         "leapSeq"             "Linda"              
 [97] "lm"                  "lmStepAIC"           "LMT"                
[100] "loclda"              "logicBag"            "LogitBoost"         
[103] "logreg"              "lssvmLinear"         "lssvmPoly"          
[106] "lssvmRadial"         "lvq"                 "M5"                 
[109] "M5Rules"             "manb"                "mda"                
[112] "Mlda"                "mlp"                 "mlpKerasDecay"      
[115] "mlpKerasDecayCost"   "mlpKerasDropout"     "mlpKerasDropoutCost"
[118] "mlpML"               "mlpSGD"              "mlpWeightDecay"     
[121] "mlpWeightDecayML"    "monmlp"              "msaenet"            
[124] "multinom"            "mxnet"               "mxnetAdam"          
[127] "naive_bayes"         "nb"                  "nbDiscrete"         
[130] "nbSearch"            "neuralnet"           "nnet"               
[133] "nnls"                "nodeHarvest"         "null"               
[136] "OneR"                "ordinalNet"          "ordinalRF"          
[139] "ORFlog"              "ORFpls"              "ORFridge"           
[142] "ORFsvm"              "ownn"                "pam"                
[145] "parRF"               "PART"                "partDSA"            
[148] "pcaNNet"             "pcr"                 "pda"                
[151] "pda2"                "penalized"           "PenalizedLDA"       
[154] "plr"                 "pls"                 "plsRglm"            
[157] "polr"                "ppr"                 "PRIM"               
[160] "protoclass"          "qda"                 "QdaCov"             
[163] "qrf"                 "qrnn"                "randomGLM"          
[166] "ranger"              "rbf"                 "rbfDDA"             
[169] "Rborist"             "rda"                 "regLogistic"        
[172] "relaxo"              "rf"                  "rFerns"             
[175] "RFlda"               "rfRules"             "ridge"              
[178] "rlda"                "rlm"                 "rmda"               
[181] "rocc"                "rotationForest"      "rotationForestCp"   
[184] "rpart"               "rpart1SE"            "rpart2"             
[187] "rpartCost"           "rpartScore"          "rqlasso"            
[190] "rqnc"                "RRF"                 "RRFglobal"          
[193] "rrlda"               "RSimca"              "rvmLinear"          
[196] "rvmPoly"             "rvmRadial"           "SBC"                
[199] "sda"                 "sdwd"                "simpls"             
[202] "SLAVE"               "slda"                "smda"               
[205] "snn"                 "sparseLDA"           "spikeslab"          
[208] "spls"                "stepLDA"             "stepQDA"            
[211] "superpc"             "svmBoundrangeString" "svmExpoString"      
[214] "svmLinear"           "svmLinear2"          "svmLinear3"         
[217] "svmLinearWeights"    "svmLinearWeights2"   "svmPoly"            
[220] "svmRadial"           "svmRadialCost"       "svmRadialSigma"     
[223] "svmRadialWeights"    "svmSpectrumString"   "tan"                
[226] "tanSearch"           "treebag"             "vbmpRadial"         
[229] "vglmAdjCat"          "vglmContRatio"       "vglmCumulative"     
[232] "widekernelpls"       "WM"                  "wsrf"               
[235] "xgbDART"             "xgbLinear"           "xgbTree"            
[238] "xyf"

关于每个缩写具体对应哪个模型，也可以查看详细说明

使用lm的情况

a=train(cmedv~.,data=w,method="lm")

关于其他方面的细节可以查看详细的参数说明

MAGDB
关注
  • 6
    点赞
  • 踩
  • 30
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
R语言使用caret包的train函数构建正则化的广义线性模型（glmnet）构建分类模型、trainControl函数设置交叉验证参数、自定义调优评估指标
data+scenario+science+insight
06-07 288
R语言使用caret包的train函数构建正则化的广义线性模型（glmnet）构建分类模型、trainControl函数设置交叉验证参数、自定义调优评估指标、tuneLength参数和tuneGrid参数超参数调优
R语言使用caret包构建岭回归模型（Ridge Regression ）构建回归模型、通过method参数指定算法名称、通过trainControl函数控制训练过程
data+scenario+science+insight
03-24 753
R语言使用caret包构建岭回归模型（Ridge Regression）构建回归模型、通过method参数指定算法名称、通过trainControl函数控制训练过程
岭回归，Lasso回归及弹性网络回归原理及R实现
Christina
10-24 1万+
The standard linear model (or the ordinary least squares method) performs poorly in a situation, where you have a large multivariate data set containing a number of variables superior to the number of samples. A better alternative is thepenalized regress.
caret包介绍学习之train函数介绍
weixin_42712867的博客
04-06 1万+
caret包在机器学习会经常用到，它可以进行：数据预处理，特征选择，建模与参数优化，模型预测与检验。关于caret包在这些方面的应用可以参看文章： R语言之-caret包应用 R语言caret包的学习（四）–建立模型及验证 本次介绍的是caret包在模型与参数优化上面的应用，主要函数为train函数 caret包中提供了很多种工具进行自动调整参数,train()函数作为接口，可以选择评估方法和度量...
R语言train函数调参（caret包）
dayuhaitang1的博客
02-03 8191
文章目录一、步骤二、演示 一、步骤 （1）确定最优参数的大致范围（粗调）。train函数中的方法刚一开始都有默认的参数，由于我们也都不知道最优的参数是什么，所以可以先直接使用默认的参数进行调调参。 （2）确定参数范围之后，进一步缩小最优参数的范围（精调）。这一个过程可以无限重复，直到选出你认为最好的参数"_"，过程有点粗暴。 二、演示 以一个简单的PM2.5数据来演示整个调参过程： 1、导入数据 rm(list = ls()) data<-read.csv("C:\\data\\PM2.
重点：机器学习总结之各算法常用包和函数
热门推荐
军军的专栏
02-09 3万+
基本操作常用函数及包预测函数：predict() type=”prob”判别该量度的昆虫归类为A、B和C的概率；type=”response”：判别该量度的昆虫的类别； 预测分类的概率的函数predict(…, type)参数type： R语音里面不同模型，参数type取值也不同。例如，可能取值有prob、posterior、raw（朴素贝叶斯）、probability（请参考使用包的帮助文
Logistic回归全流程代码，包含:导入数据 数据划分 基线表生成 LASSO回归
qgasjxr的博客
08-18 216
然后，程序使用交叉验证方法选择最佳的正则化参数，并使用cv.glmnet函数进行交叉验证。这个程序涉及到的知识点包括数据导入和格式转换、数据划分、基线表生成、LASSO回归、批量单因素Logistic回归、多因素Logistic回归、模型验证等。划分的结果存储在变量num中。接下来，程序使用lapply函数对var.names中的每个变量应用Uni_log函数，得到一个包含多个回归结果的列表。首先，程序使用as.formula函数构建多因素Logistic回归的公式，其中包含单因素回归中显著的变量。
线性模型中的高级特征选择技术——基于R
qq_54423921的博客
08-09 1882
岭回归(英文名：ridge regression, Tikhonov regularization)是一种专用于共线性数据分析的有偏估计回归方法，实质上是一种改良的最小二乘估计法，通过放弃最小二乘法的无偏性，以损失部分信息、降低精度为代价获得回归系数更为符合实际、更可靠的回归方法，对病态数据的拟合要强于最小二乘法。岭回归的命令格式为glment（x=矩阵，y=响应变量，famliy=分布函数，alpha=0）当alpha=0是表示使用岭回归，当alpha=1时表示使用LASSO回归。，这个数量是不变的。..
caret chreatsheet
01-13
caret 套件是 R 语言中一个功能强大且广泛应用的机器学习包，它提供了许多实用的函数和方法来进行数据预处理、模型建立、模型评估和模型选择。本文将对 caret 套件的 cheat sheet 进行详细的解释和说明。 模型建立 ...
常见的机器学习方法（R语言）.zip_R 机器学习_R 语言_R语言
09-23
首先，R语言中的`caret`（Classification And REgression Training）包是一个非常实用的工具，它整合了多种机器学习算法，简化了模型训练、比较和调优的过程。通过`caret::train()`函数，我们可以轻松地应用如线性...
R中基于预测恶性或良性肿瘤的预测和分类
02-20
在R语言中，预测恶性或良性肿瘤的过程涉及统计学习、数据预处理、模型构建和评估等关键步骤。本文将深入探讨这些知识点，并提供一个实际应用的案例。 首先，我们需要一个包含肿瘤特征的数据集。通常，这样的数据...
R语言csv库
05-30
首先，我们需要了解R语言中的`read.csv()`函数，这是用于从CSV文件中导入数据的默认方法。该函数将CSV文件的内容转换为R的数据框（data frame），这是R处理结构化数据的主要数据结构。例如，要加载名为"data.csv"的...
XGB_function:XGboost ensinada pela Curso-R的基础材料
03-11
本教程将基于Curso-R提供的材料，介绍XGBoost的基本概念、工作原理以及如何在R环境中进行调优。 首先，让我们理解XGBoost的核心思想。XGBoost是基于梯度提升决策树（Gradient Boosted Decision Trees, GBDT）的一种...
机器学习之保存训练模型
FlatTiger的博客
11-27 1015
话不多说，直接进入正题。 1.首先导入joblib包 import joblib 2.训练好模型之后，即可保存模型到本地 joblib.dump(模型实例名称,本地路径/文件名称) 比如： joblib.dump(lr, r'G:\学习文件\机器学习\import_learing\predict_card.sav') 3.最后在新的文件中导入模型并代入特征数据 import joblib train_module = joblib.load(r'G:\学习文件\机器学习\import_learing\p
R语言使用caret包构建GBM模型：在模型最优参数已知的情况下，拟合整个训练集，而无需进行任何重采样或参数调优
statistics+insight+vista+power
02-01 92
R语言使用caret包构建GBM模型：在模型最优参数已知的情况下，拟合整个训练集，而无需进行任何重采样或参数调优
R语言使用caret包的train函数构建随机森林（random forest）模型、模型调优、自定义设置trainControl函数和tuneLength参数
data+scenario+science+insight
11-09 1597
R语言使用caret包的train函数构建随机森林（random forest）模型、模型调优、自定义设置trainControl函数和tuneLength参数
机器学习交叉验证选择模型
tutu96177的博客
11-27 1069
非时序和时序数据进行交叉验证方法 # 设置交叉验证集的折数 from sklearn.model_selection import cross_val_score, KFold kf = KFold(n_splits=10, random_state=42, shuffle=False) # kf = KFold(n_splits=5, random_state=42, shuffle=False...
【RaspberryPi】树莓派Matlab/Simulink支持包安装与使用
最新发布
weixin_43894265的博客
07-22 975
连接成功以后会进入到下一步，检查工具包是否安装的界面，检查完以后，点击INSTALL安装即可，根据不同的网络状况，安装时间大概在10-40左右，但是此种情况，会遇连接失败的问题，如果失败可以使用方法一安装，对于Bullseye系统只能在线安装完了，将镜像保存。2. 执行配置树莓派命令，按终端中显示的设置步骤进行操作，全部输入y，同意安装或配置即可。在进行安装步骤之前，需要将树莓派连上网，同时打开ssh服务，并设置用户名和密码。1.在树莓派终端下面输入以下命令，安装适用于树莓派的安装包。选择当前使用的硬件。
R语言读取txt和csv只有1列时
hx2024的博客
07-22 465
文件中每一行的值都由该字符分隔。如果sep = "(read . table的默认值)分隔符是“空白”，即一个或多个空格、制表符、换行符或回车符。
R语言caret包多分类
12-06
以下是使用R语言中的caret包进行多分类的示例： 1. 首先，我们需要安装和加载caret包： ```R install.packages("caret") library(caret) ``` 2. 接下来，我们需要准备数据集。这里我们使用iris数据集作为例子： ```R data(iris) ``` 3. 然后，我们需要将数据集分成训练集和测试集： ```R set.seed(123) trainIndex <- createDataPartition(iris$Species, p = .8, list = FALSE, times = 1) train <- iris[ trainIndex,] test <- iris[-trainIndex,] ``` 4. 接下来，我们可以使用train函数来训练模型。这里我们使用xgboost算法： ```R library(xgboost) fitControl <- trainControl(method = "cv", number = 5) model <- train(Species ~ ., data = train, method = "xgbTree", trControl = fitControl) ``` 5. 最后，我们可以使用confusionMatrix函数来输出多分类混淆矩阵和其他衍生指标： ```R predictions <- predict(model, newdata = test) confusionMatrix(predictions, test$Species) ``` 输出结果如下： ``` Confusion Matrix and Statistics Reference Prediction setosa versicolor virginica setosa 10 0 0 versicolor 0 10 1 virginica 0 0 9 Overall Statistics Accuracy : 0.9667 95% CI : (0.8667, 0.9992) No Information Rate : 0.3333 P-Value [Acc > NIR] : < 2.2e-16 Kappa : 0.95 Mcnemar's Test P-Value : NA Statistics by Class: Class: setosa Class: versicolor Class: virginica Sensitivity 1.0000 1.0000 0.9000 Specificity 1.0000 0.9667 1.0000 Pos Pred Value 1.0000 0.9091 1.0000 Neg Pred Value 1.0000 1.0000 0.9474 Prevalence 0.3333 0.3333 0.3333 Detection Rate 0.3333 0.3333 0.3000 Detection Prevalence 0.3333 0.3667 0.3000 Balanced Accuracy 1.0000 0.9833 0.9500 ```
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值