Question

我想建立一个多项逻辑回归模型来预测类别。为了确保模型的预测能力不会因新数据而异，我尝试通过ResourceOwnerPasswordResourceDetails resource = new ResourceOwnerPasswordResourceDetails(); resource.setAccessTokenUri(MyApi.instance().getAccessTokenEndpoint()); resource.setClientId(Constants.CLIENT_ID); resource.setUsername("**********"); resource.setPassword("**********"); resource.setGrantType(GrantType.PASSWORD.getValue() ); resource.setAuthenticationScheme( AuthenticationScheme.none ); resource.setClientAuthenticationScheme( AuthenticationScheme.none ); resource.setTokenName("access-token"); List<String> scopes = new ArrayList<>( ); scopes.add( "Mail.ReadWrite.Shared" ); resource.setScope( scopes ); return resource; } public OAuth2RestOperations restTemplate() { return new OAuth2RestTemplate(resource(), new DefaultOAuth2ClientContext(new DefaultAccessTokenRequest())); }包使用重复的交叉验证过程。我无法理解如何解释输出。我拥有的数据非常大，因此出于可重复性的目的，我以caret数据集为例。代码如下

iris

上面的代码产生了100次交叉验证迭代（10倍交叉验证重复10次），以下是输出之一。

library(caret)
library(nnet)

iris_data <- iris

## Base Class against which log odds are calculated
iris_data$Species <- relevel(iris_data$Species,ref='setosa')
train_control <- trainControl(method='repeatedcv',number=10,repeats = 10,verboseIter = TRUE)

model_cv <- caret::train(Species~.,data=iris_data,trControl=train_control,
                         method='multinom')

我无法理解输出- Fold10.Rep10: decay=1e-04 Aggregating results Selecting tuning parameters Fitting decay = 0.1 on full training set # weights: 18 (10 variable) initial value 164.791843 iter 10 value 29.291910 iter 20 value 26.055889 iter 30 value 26.039352 iter 30 value 26.039352 iter 30 value 26.039352 final value 26.039352 converged的含义。这是剩余的偏差吗？

模型稳定性

为了评估模型的稳定性，我使用了命令value，该命令给了我以下结果。（被截断）是否应该通过查看准确性得分的偏差来评估模型的稳定性？还是我错过了model_cv$resample中的一项关键功能？预先谢谢您！

caret

使用multinom（）和评估模型稳定性输出插入符号

0 个答案: