R, Caret: как указать наборы для обучения и проверки (проверки)?

У меня есть набор данных, и я хотел бы, чтобы курсор обучался и проверял только определенную часть моего набора данных. У меня есть два списка

train.ids <- list(T1=c(1,2,3), T2=c(4,5,6), T3=c(7,8,9))

а также

test.ids <- list(T1=c(10,11,12), T2=c(13,14,15), T3=(16,17,18))

которые соответствуют индексам строк в моем наборе данных. train.ids$T1 следует использовать для обучения, а test.ids$T1 - для тестирования. То же самое касается Т2 и Т3.

Я пробовал использовать

trainControl(method="cv", index=train.ids, indexOut=test.ids)

но это не похоже на правильный способ использования trainControl.

Любая помощь высоко ценится


r r-caret indices training-data cross-validation
person Community    schedule 28.04.2014    source источник
comment
Поскольку они соответствуют индексам строк вашего набора данных, вам нужно сделать df[tain.ids,], где df - ваш набор данных в data.frame   -  person infominer    schedule 29.04.2014
comment
Спасибо за ваш вклад! Поскольку test.ids является именованным списком, я не могу проиндексировать фрейм данных с помощью test.ids. Согласно документации каретки index и indexOut - это списки индексов строк, и это то, что также возвращает createDataPartition(df) или createTimeSlices.   -  person    schedule 29.04.2014
comment
Я должен был добавить, чтобы использовать train.ids$T1 и test.ids$T1, как вы упомянули в своем вопросе.   -  person infominer    schedule 29.04.2014
comment
Тогда я бы тренировался и тестировал только на Т1, но не на Т2 и Т3. Извините, мой вопрос мог быть двусмысленным; Я хочу использовать все пары поездов и тестов.   -  person    schedule 29.04.2014

Ответы (1)


arrow_upward
3
arrow_downward

Произошла ли ошибка? Я не уверен, почему это не сработает. Вот пример:

library(caret)

## A small data set example
set.seed(2)
dat <- twoClassSim(9)[, 13: 16]

fit_on <-  list(rs1 = 1:3, rs2 = 4:6,         rs3 = 7:9)
pred_on <- list(rs1 = 4:9, rs2 = c(1:3, 7:9), rs3 = 1:6)

ctrl <- trainControl(method = "cv", 
                     ## The method doesn't really matter
                     ## since we are defining the resamples
                     index= fit_on, indexOut = pred_on,
                     verboseIter = TRUE,
                     savePredictions = TRUE)

mod <- train(Class ~ ., data = dat, method = "lda",
             trControl = ctrl)

Взгляните на mod$pred, и вы увидите, что было предсказано на каждой итерации.

Максимум

person topepo    schedule 30.04.2014