我可能在这里犯了一个非常简单（和愚蠢）的错误，但我无法弄明白。我正在玩Kaggle（Digit Recognizer）的一些数据，并尝试使用带有Caret包的SVM进行分类。如果我只是将标签值作为数字类型插入函数中，Caret中的train函数似乎默认为回归并且性能非常差。所以我接下来尝试将其转换为函数factor()的因子，并尝试运行SVM分类。下面是一些代码，我生成一些虚拟数据，然后将其插入Caret：
library(caret)
library(doMC)
registerDoMC(cores = 4)
ytrain <- factor(sample(0:9, 1000, replace=TRUE))
xtrain <- matrix(runif(252 * 1000,0 , 255), 1000, 252)
preProcValues <- preProcess(xtrain, method = c("center", "scale"))
transformerdxtrain <- predict(preProcValues, xtrain)
fitControl <- trainControl(method = "repeatedcv", number = 10, repeats = 10)
svmFit <- train(transformerdxtrain[1:10,], ytrain[1:10], method = "svmradial")
我收到此错误：
Error in kernelMult(kernelf(object), newdata, xmatrix(object)[[p]], coef(object)[[p]]) :
dims [product 20] do not match the length of object [0]
In addition: Warning messages:
1: In train.default(transformerdxtrain[1:10, ], ytrain[1:10], method = "svmradial") :
At least one of the class levels are not valid R variables names; This may cause errors if class probabilities are generated because the variables names will be converted to: X0, X1, X2, X3, X4, X5, X6, X7, X8, X9
2: In nominalTrainWorkflow(dat = trainData, info = trainInfo, method = method, :
There were missing values in resampled performance measures.
有人可以告诉我我做错了什么吗？谢谢！
答案 0 :(得分：2)
您有10个不同的类，但您只在train()中包含10个案例。这意味着当您重新采样时，您通常不会在分类器的各个实例中拥有所有10个类。 train()难以合并这些不同类别SVM的结果。
你可以通过增加案例数量，减少类数量，甚至使用不同的分类器来解决这个问题。
答案 1 :(得分：0)
我发现在数字识别用例中使用插入符号具有挑战性。我认为部分问题是标签数据是数字的。当插入符号尝试从中创建变量时，它们最终以数字开头，而这实际上不被接受为R变量。
就我而言，我通过使用dplyr离散化标签数据来解决此问题。假设您的训练数据已放入“训练”数据框中。
train $ label2 = dplyr :: recode（train $ label，0 =“零”，1 =“一个”，2 =“两个”，{{1} } =“三”，3 =“四”，4 =“五”，5 =“六”，6 =“七”，{{1} } =“八”，7 =“九”）
train <-train [，c（（1），（786），（2：785））] 头（火车）
train $ label <-factor（train $ label2）
train $ label2 <-空
头（火车）