1
A
回答
0
的几点:
(1)随着你衡量模型对持有了数据集中的精度(接受了有关训练数据集),而不是整个数据集的交叉验证。
(2)您需要在计算矩阵之前选择超参数(C,γ)的值。 (3)可以使用脱字符包来计算所需的概率矩阵,但由于它是多类分类问题,因此在计算矩阵之前,需要选择要计算概率的类。
使用虹膜上下面的代码,其中有150个数据点,其中有15个点将被随机选择为用于每个折叠验证数据。让我们找到预测类别为setosa的概率并计算150x11矩阵,其中最后一列是表示数据点的实际类别是否为setosa的二进制列。
K <- 10 # number of folds
set.seed(123)
library(caret)
library(reshape2)
trctl <- trainControl(method = "cv", number = K, savePredictions = TRUE, classProbs = TRUE)
res <- train(Species ~ ., data = iris, method="svmRadial", trControl = trctl)
res.C1 <- subset(res$pred, C==1)
head(res.C1)
pred obs setosa versicolor virginica rowIndex sigma C Resample
31 setosa setosa 0.980011940 0.009115859 0.010872201 17 1.421405 1 Fold01
32 setosa setosa 0.872285443 0.051664831 0.076049726 23 1.421405 1 Fold01
33 setosa setosa 0.983836684 0.007452339 0.008710978 35 1.421405 1 Fold01
34 setosa setosa 0.956874365 0.018767699 0.024357936 38 1.421405 1 Fold01
35 setosa setosa 0.979355342 0.009425609 0.011219049 39 1.421405 1 Fold01
36 versicolor versicolor 0.009445829 0.935110658 0.055443514 55 1.421405 1 Fold01
cbind.data.frame(round(dcast(res.C1, rowIndex~Resample, value.var = 'setosa'),2), setosa=res.C1$obs=='setosa')
rowIndex Fold01 Fold02 Fold03 Fold04 Fold05 Fold06 Fold07 Fold08 Fold09 Fold10 setosa
1 1 NA NA NA NA NA NA NA NA NA 0.99 TRUE
2 2 NA NA NA NA NA NA NA NA 0.98 NA TRUE
3 3 NA NA NA NA NA 0.98 NA NA NA NA TRUE
4 4 NA NA NA NA NA NA 0.98 NA NA NA TRUE
5 5 NA NA NA 0.99 NA NA NA NA NA NA TRUE
6 6 NA 0.98 NA NA NA NA NA NA NA NA FALSE
7 7 NA NA NA NA 0.97 NA NA NA NA NA FALSE
8 8 NA NA 0.99 NA NA NA NA NA NA NA FALSE
9 9 NA 0.96 NA NA NA NA NA NA NA NA FALSE
10 10 NA 0.98 NA NA NA NA NA NA NA NA FALSE
# ... ...
145 145 NA NA NA NA NA NA NA NA 0.01 NA FALSE
146 146 NA NA NA 0.01 NA NA NA NA NA NA FALSE
147 147 NA NA NA 0.01 NA NA NA NA NA NA FALSE
148 148 NA NA NA NA NA NA NA NA NA 0.01 FALSE
149 149 NA NA NA NA NA NA NA NA 0.02 NA FALSE
150 150 NA NA NA NA NA NA NA 0.01 NA NA FALSE
相关问题
- 1. 预测概率
- 2. LogisticRegression预测概率
- 3. 预测概率等于1
- 4. OPencv SVM预测概率
- 5. Predict.Plot的预测概率
- 6. Tensorflow,预测值的概率?
- 7. 添加概率的预测值
- 8. 预测错误 - ROCR包(使用概率)
- 9. 返回预测的概率向量
- 10. 使用glm的条件预测概率
- 11. Tensorflow,预测值的概率(ROI)
- 12. 基于概率的分支预测器
- 13. 如何预测概率限制
- 14. 在Spark中预测类概率RandomForestClassifier
- 15. 如何预测类的概率?
- 16. 获取概率中的R
- 17. 如何在多类分类中获得jlibsvm预测概率
- 18. 如何获得预测的类而不是类概率?
- 19. 如何预处理交易数据以预测购买概率?
- 20. n试验后的概率
- 21. 在dlib中获取检测到的人脸的概率
- 22. python逻辑回归,将预测的概率和预测保存到csv
- 23. 如何从MultilayerPerceptronClassifier获取分类概率?
- 24. 获取数据的概率密度
- 25. PocketSphinx:获取单词的概率
- 26. 获取随机数基于概率
- 27. 单元测试的概率
- 28. php验证概念
- 29. pymc python变化点检测的小概率。零概率错误
- 30. Ruby:在代码中使用rand()但编写测试来验证概率