প্রশ্ন ট্যাগ «caret»

ক্যারেট হ'ল একটি আর প্যাকেজ যা ফাংশনগুলির একটি সেট রয়েছে যা ভবিষ্যদ্বাণীপূর্ণ মডেলগুলি তৈরির প্রক্রিয়াটিকে প্রবাহিত করার চেষ্টা করে।

1
জিবিএম প্যাকেজ বনাম ক্যারেট জিবিএম ব্যবহার করে
আমি ব্যবহার করে মডেল টিউন করছি caret, তবে gbmপ্যাকেজটি ব্যবহার করে আবার মডেল চালাচ্ছি । caretপ্যাকেজটি ব্যবহার করে gbmএবং আউটপুট একই হওয়া উচিত এটি আমার বোধগম্য । যাইহোক, কেবলমাত্র একটি দ্রুত পরীক্ষা চালানো data(iris)মূল্যায়ন মেট্রিক হিসাবে আরএমএসই এবং আর ^ 2 ব্যবহার করে প্রায় 5% এর মডেলের মধ্যে একটি তাত্পর্য …

1
কীভাবে জিবিএম প্রেডিকশন ইন্টারভেল পাবেন to
আমি ক্যারেট প্যাকেজটি ব্যবহার করে জিবিএম মডেলগুলির সাথে কাজ করছি এবং আমার পূর্বাভাসযুক্ত ডেটার জন্য পূর্বাভাস অন্তরগুলি সমাধান করার জন্য একটি পদ্ধতি সন্ধান করছি। আমি ব্যাপক অনুসন্ধান করেছি তবে র্যান্ডম ফরেস্টের পূর্বাভাস অন্তরগুলি সন্ধান করার জন্য কয়েকটি ধারণা নিয়ে এসেছি। যে কোনও সহায়তা / আর কোডের প্রশংসা করা হবে!

1
ক্যারেট প্যাকেজ সহ র‌্যান্ডমফোরেস্টের ফাইনালমোডেল ব্যবহারের পূর্বাভাসের পূর্বে প্রিপ্রোসেসিংয়ের দরকার আছে?
আমি 10x10CV দিয়ে একটি র্যান্ডমফোরস্ট অবজেক্ট প্রশিক্ষণের জন্য ক্যারেট প্যাকেজটি ব্যবহার করি। library(caret) tc <- trainControl("repeatedcv", number=10, repeats=10, classProbs=TRUE, savePred=T) RFFit <- train(Defect ~., data=trainingSet, method="rf", trControl=tc, preProc=c("center", "scale")) এর পরে, আমি একটি টেস্টসেটে নতুন র্যান্ডমফোরস্টটি পরীক্ষা করি (নতুন ডেটা) RF.testSet$Prediction <- predict(RFFit, newdata=testSet) কনফিউশন ম্যাট্রিক্স আমাকে দেখায়, যে মডেলটি …

2
এলোমেলো বনের জন্য ক্যারেটের সাথে বৈশিষ্ট্য নির্বাচন এবং প্যারামিটারের সুর
কয়েক হাজার বৈশিষ্ট্যযুক্ত আমার কাছে ডেটা রয়েছে এবং আমি তথ্যবিরোধীগুলি অপসারণ করতে পুনরাবৃত্ত বৈশিষ্ট্য নির্বাচন (আরএফই) করতে চাই। আমি ক্যারেট এবং আরএফই দিয়ে এটি করি। যাইহোক, আমি ভাবতে শুরু করেছিলাম, যদি আমি সেরা রিগ্রেশন ফিট ফিট করতে চাই (উদাহরণস্বরূপ এলোমেলো বন), আমি কখন পরামিতি টিউনিং করব (আরএফের mtryজন্য)? এটি, যেমন …

1
আর / এমজিসিভি: টি () এবং টিআই () সেন্সর পণ্যগুলি কেন বিভিন্ন উপরিভাগ তৈরি করে?
mgcvপ্যাকেজের Rঝুলানো টেন্সর পণ্যের পারস্পরিক ক্রিয়ার জন্য দুটি ফাংশন আছে: te()এবং ti()। আমি উভয়ের মধ্যে শ্রমের মৌলিক বিভাজন বুঝতে পারি (একটি অ-রৈখিক ইন্টারঅ্যাকশন বনাম বনাম। এই ইন্টারঅ্যাকশনটিকে প্রধান প্রভাব এবং একটি মিথস্ক্রিয়াতে ডেকপোজ করে)। আমি যা বুঝতে পারি না তা হ'ল কেন te(x1, x2)এবং ti(x1) + ti(x2) + ti(x1, x2)(কিছুটা) …
11 r  gam  mgcv  conditional-probability  mixed-model  references  bayesian  estimation  conditional-probability  machine-learning  optimization  gradient-descent  r  hypothesis-testing  wilcoxon-mann-whitney  time-series  bayesian  inference  change-point  time-series  anova  repeated-measures  statistical-significance  bayesian  contingency-tables  regression  prediction  quantiles  classification  auc  k-means  scikit-learn  regression  spatial  circular-statistics  t-test  effect-size  cohens-d  r  cross-validation  feature-selection  caret  machine-learning  modeling  python  optimization  frequentist  correlation  sample-size  normalization  group-differences  heteroscedasticity  independence  generalized-least-squares  lme4-nlme  references  mcmc  metropolis-hastings  optimization  r  logistic  feature-selection  separation  clustering  k-means  normal-distribution  gaussian-mixture  kullback-leibler  java  spark-mllib  data-visualization  categorical-data  barplot  hypothesis-testing  statistical-significance  chi-squared  type-i-and-ii-errors  pca  scikit-learn  conditional-expectation  statistical-significance  meta-analysis  intuition  r  time-series  multivariate-analysis  garch  machine-learning  classification  data-mining  missing-data  cart  regression  cross-validation  matrix-decomposition  categorical-data  repeated-measures  chi-squared  assumptions  contingency-tables  prediction  binary-data  trend  test-for-trend  matrix-inverse  anova  categorical-data  regression-coefficients  standard-error  r  distributions  exponential  interarrival-time  copula  log-likelihood  time-series  forecasting  prediction-interval  mean  standard-error  meta-analysis  meta-regression  network-meta-analysis  systematic-review  normal-distribution  multiple-regression  generalized-linear-model  poisson-distribution  poisson-regression  r  sas  cohens-kappa 

2
র্যান্ডমফোরস্ট মডেলটির জন্য ক্যারেট ভারিম্প
প্যাকেজটির varImpসাথে র্যান্ডমফোরস্ট মডেলের জন্য কীভাবে ফাংশনটি কাজ করে তা বুঝতে আমার সমস্যা হচ্ছে caret। নীচের উদাহরণে বৈশিষ্ট্যটি varImpভ্যার 3 ক্যারেটের ফাংশনটি ব্যবহার করে শূন্য গুরুত্ব পেয়েছে, তবে অন্তর্নিহিত র্যান্ডমফোরস্টের চূড়ান্ত মডেলটিতে বৈশিষ্ট্য ভের 3 এর জন্য শূন্য নয় importance কেন এই ক্ষেত্রে? require(randomForest) require(caret) rf <- train(x, y, method …
10 r  caret  random-forest 

1
আর / ক্যারেট: ট্রেন এবং পরীক্ষা সেট বনাম ক্রস-বৈধতা?
এটি সম্ভবত একটি নির্বোধ প্রশ্ন হতে পারে, তবে ক্যারেটের সাথে একটি মডেল তৈরি করার সময় এবং এর মতো কিছু LOOCVবা (এমনকি আরও বেশি কিছু) ব্যবহার করার সময় LGOCV, ট্রেন এবং পরীক্ষার সেটগুলিতে ডেটা বিভক্ত করার কী সুবিধা যদি এটি মূলত ক্রস-বৈধকরণের পদক্ষেপের হয় তবে যাইহোক না? আমি সম্পর্কিত কিছু প্রশ্ন …
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.