1
A
回答
0
的幾點:
(1)隨着你衡量模型對持有了數據集中的精度(接受了有關訓練數據集),而不是整個數據集的交叉驗證。
(2)您需要在計算矩陣之前選擇超參數(C,γ)的值。 (3)可以使用脫字符包來計算所需的概率矩陣,但由於它是多類分類問題,因此在計算矩陣之前,需要選擇要計算概率的類。
使用虹膜上下面的代碼,其中有150個數據點,其中有15個點將被隨機選擇爲用於每個摺疊驗證數據。讓我們找到預測類別爲setosa的概率並計算150x11矩陣,其中最後一列是表示數據點的實際類別是否爲setosa的二進制列。
K <- 10 # number of folds
set.seed(123)
library(caret)
library(reshape2)
trctl <- trainControl(method = "cv", number = K, savePredictions = TRUE, classProbs = TRUE)
res <- train(Species ~ ., data = iris, method="svmRadial", trControl = trctl)
res.C1 <- subset(res$pred, C==1)
head(res.C1)
pred obs setosa versicolor virginica rowIndex sigma C Resample
31 setosa setosa 0.980011940 0.009115859 0.010872201 17 1.421405 1 Fold01
32 setosa setosa 0.872285443 0.051664831 0.076049726 23 1.421405 1 Fold01
33 setosa setosa 0.983836684 0.007452339 0.008710978 35 1.421405 1 Fold01
34 setosa setosa 0.956874365 0.018767699 0.024357936 38 1.421405 1 Fold01
35 setosa setosa 0.979355342 0.009425609 0.011219049 39 1.421405 1 Fold01
36 versicolor versicolor 0.009445829 0.935110658 0.055443514 55 1.421405 1 Fold01
cbind.data.frame(round(dcast(res.C1, rowIndex~Resample, value.var = 'setosa'),2), setosa=res.C1$obs=='setosa')
rowIndex Fold01 Fold02 Fold03 Fold04 Fold05 Fold06 Fold07 Fold08 Fold09 Fold10 setosa
1 1 NA NA NA NA NA NA NA NA NA 0.99 TRUE
2 2 NA NA NA NA NA NA NA NA 0.98 NA TRUE
3 3 NA NA NA NA NA 0.98 NA NA NA NA TRUE
4 4 NA NA NA NA NA NA 0.98 NA NA NA TRUE
5 5 NA NA NA 0.99 NA NA NA NA NA NA TRUE
6 6 NA 0.98 NA NA NA NA NA NA NA NA FALSE
7 7 NA NA NA NA 0.97 NA NA NA NA NA FALSE
8 8 NA NA 0.99 NA NA NA NA NA NA NA FALSE
9 9 NA 0.96 NA NA NA NA NA NA NA NA FALSE
10 10 NA 0.98 NA NA NA NA NA NA NA NA FALSE
# ... ...
145 145 NA NA NA NA NA NA NA NA 0.01 NA FALSE
146 146 NA NA NA 0.01 NA NA NA NA NA NA FALSE
147 147 NA NA NA 0.01 NA NA NA NA NA NA FALSE
148 148 NA NA NA NA NA NA NA NA NA 0.01 FALSE
149 149 NA NA NA NA NA NA NA NA 0.02 NA FALSE
150 150 NA NA NA NA NA NA NA 0.01 NA NA FALSE
相關問題
- 1. 預測概率
- 2. LogisticRegression預測概率
- 3. 預測概率等於1
- 4. OPencv SVM預測概率
- 5. Predict.Plot的預測概率
- 6. Tensorflow,預測值的概率?
- 7. 添加概率的預測值
- 8. 預測錯誤 - ROCR包(使用概率)
- 9. 返回預測的概率向量
- 10. 使用glm的條件預測概率
- 11. Tensorflow,預測值的概率(ROI)
- 12. 基於概率的分支預測器
- 13. 如何預測概率限制
- 14. 在Spark中預測類概率RandomForestClassifier
- 15. 如何預測類的概率?
- 16. 獲取概率中的R
- 17. 如何在多類分類中獲得jlibsvm預測概率
- 18. 如何獲得預測的類而不是類概率?
- 19. 如何預處理交易數據以預測購買概率?
- 20. n試驗後的概率
- 21. 在dlib中獲取檢測到的人臉的概率
- 22. python邏輯迴歸,將預測的概率和預測保存到csv
- 23. 如何從MultilayerPerceptronClassifier獲取分類概率?
- 24. 獲取數據的概率密度
- 25. PocketSphinx:獲取單詞的概率
- 26. 獲取隨機數基於概率
- 27. 單元測試的概率
- 28. php驗證概念
- 29. pymc python變化點檢測的小概率。零概率錯誤
- 30. Ruby:在代碼中使用rand()但編寫測試來驗證概率