Question

我在机器学习方面很陌生并正在尝试forest cover prediction competition on Kaggle，但我很早就被挂了。运行下面的代码时出现以下错误。

Error in train.default(x, y, weights = w, ...) : 
final tuning parameters could not be determined
In addition: There were 50 or more warnings (use warnings() to see the first 50)

# Load the libraries
library(ggplot2); library(caret); library(AppliedPredictiveModeling)
library(pROC)
library(Amelia)

set.seed(1234)

# Load the forest cover dataset from the csv file
rawdata <- read.csv("train.csv",stringsAsFactors = F)
#this data won't be used in model evaluation. It will only be used for the submission.
test <- read.csv("test.csv",stringsAsFactors = F)

########################
### DATA PREPARATION ###
########################

#create a training and test set for building and evaluating the model
samples <- createDataPartition(rawdata$Cover_Type, p = 0.5,list = FALSE)
data.train <- rawdata[samples, ]
data.test <- rawdata[-samples, ]

model1 <- train(as.factor(Cover_Type) ~ Elevation + Aspect + Slope + Horizontal_Distance_To_Hydrology, 
                data = data.train, 
                method = "rf", prox = "TRUE")

Answer 1

以下内容应该有效：

model1 <- train(as.factor(Cover_Type) ~ Elevation + Aspect + Slope + Horizontal_Distance_To_Hydrology,
                          data = data.train,
                          method = "rf", tuneGrid = data.frame(mtry = 3))

最好指定tuneGrid参数，该参数是具有可能调整值的数据框。有关详细信息，请查看?randomForest和?train。 rf只有一个调整参数mtry，它控制为每棵树选择的要素数。

您还可以运行modelLookup以获取每个模型的调整参数列表

> modelLookup("rf")
#  model parameter                         label forReg forClass probModel
#1    rf      mtry #Randomly Selected Predictors   TRUE     TRUE      TRUE

Answer 2

我也正在进行Kaggle比赛，并且一直在使用'caret'包来帮助选择'最佳'模型参数。在得到许多这些错误之后，我查看了幕后的脚本，并发现了对一个名为“class2ind”的函数的调用，该函数不存在（至少在我知道的任何地方）。我终于在'nnet'包中找到了另一个名为'class.ind'的函数。我决定尝试创建一个名为'class2ind'的本地函数，然后在'class.ind'函数的代码中弹出。低，看它有效！

# fix for caret
class2ind <- function(cl)
{
        n <- length(cl)
        cl <- as.factor(cl)
        x <- matrix(0, n, length(levels(cl)) )
        x[(1:n) + n*(unclass(cl)-1)] <- 1
        dimnames(x) <- list(names(cl), levels(cl))
        x
}

train.default（x，y，weights = w，...）出错：无法确定最终调整参数

2 个答案: