理解{caret}训练（tuneLength =）和来自{kernlab}

Question

尝试更好地了解train(tuneLength = )中{caret}的工作原理。当我试图理解来自{kernlab}的SVM方法之间的一些差异时，我发生了混淆。我已经审阅了文档（here）和插入符号培训页面（here）。

我的玩具示例是使用iris数据集创建五个模型。结果为here，可重复的代码为here（它们相当长，所以我没有将它们复制并粘贴到帖子中）。

来自{caret}文档：

  

tuneLength
  表示调整参数网格中的粒度量的整数。默认情况下，此参数是列车应生成的每个调整参数的级别数。如果trainControl具有选项search =＆＃34; random＆＃34;，则这是随机搜索将生成的调整参数组合的最大数量。 （注意：如果给出，则必须命名此参数。）

在this example，trainControl(search = "random")和train(tuneLength = 30)，但似乎有67个结果，而不是30个（调整参数组合的最大数量）？我试着四处看看是否有30个独特的ROC值，甚至是ydim值，但根据我的统计，它们并非如此。

对于玩具示例，我创建了下表：

有没有办法看看发生什么事情＆＃34;引擎盖下＃34;？例如，M1（svmRadial）和M3（svmRadialSigma）同时接受并获得相同的曲调参数，但基于调用$results出现以不同方式使用它们？

我对train(tuneLength = 9)的理解是，两个模型都会生成sigma和C每个9 values, 9 times的结果，因为9是每个模型的级别数调整参数（例外是随机搜索）？同样，M4从9^3起为train(tuneLength = 9)，并且有3个调整参数？

迈克尔

Answer 1

我需要更新软件包文档，但详细信息请参见package web page for random search：

  

“唯一组合的总数由tuneLength的{​​{1}}选项指定。”

然而，这是使用RBF内核的特别混乱的SVM。这是一个故障：

• train调整费用，并根据svmRadial的{​​{1}}函数使用单个sigma值。对于网格搜索，kern lab是要测试的成本值的数量，对于随机搜索，它是要评估的（成本，sigest）对的总数。
• tuneLength与sigma相同，但svmRadialCost在每个重采样循环内运行。对于随机搜索，它不会调整svmRadial。
• sigest使用网格搜索调整费用和sigma。在一个次优的认知表现的时刻，我将其设置为在网格搜索期间尝试最多6个svmRadialSigma值，因为我觉得成本空间需要更广泛的范围。对于随机搜索，它与sigma相同。
• sigma与svmRadial相同，但也考虑了类权重，仅适用于2类问题。

至于网页上的SOM示例，这是一个错误。我对SOM参数空间进行了过度采样，因为需要有svmRadialWeight的过滤器。这个错误来自于我没有保留适量的参数。