Question

事实上，有一个类似的问题和答案，但它不起作用。见下文。诀窍在于重写lmFunc。

＆＃34;错误{：任务1失败 - ＆＃34;结果没有相同的长度＆＃34;，许多警告：glm.fit：拟合概率数字0或1发生＆＃34;

故障在哪里？

lmFuncs$fit=function (x, y, first, last, ...) 
{
  tmp <- as.data.frame(x) 
  tmp$y <- y
  glm(y ~ ., data = tmp, family=binomial(link='logit'))
}
ctrl <- rfeControl(functions = lmFuncs,method = 'cv',number=10)
fit.rfe=rfe(df.preds,df.depend, rfeControl=ctrl)

在rfeControl帮助中，据说参数＆＃39;功能＆＃39;可以与插入符号的列车功能（caretFuncs）一起使用。它到底意味着什么？任何细节和例子？谢谢

Answer 1

自定义lmFunc时遇到类似的问题。

对于逻辑回归，请确保使用 lr Func，并将大小设置为等于预测变量的数量。这不会导致任何问题。

示例（仅出于功能目的）

library(caret)
#Reproducible data
set.seed(1) 
x <- data.frame(runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10),runif(10))
x$dpen <- sample(c(0,1), replace=TRUE, size=10)
x$dpen <- factor(x$dpen)

#Spliting training set into two parts based on outcome: 80% and 20%
index <- createDataPartition(x$dpen, p=0.8, list=FALSE)
trainSet <- x[ index,]
testSet <- x[-index,]

control <- rfeControl(functions = lrFuncs,
                   method = "cv", #cross validation
                   verbose = FALSE, #prevents copious amounts of output from being produced.
                   )

##RFE
rfe(trainSet[,1:28] #predictor varia, 
    trainSet[,9], 
    sizes = c(1:28) #size of predictor variables, 
    rfeControl = control)

如何通过逻辑回归消除R递归特征

1 个答案: