使用 caret 包应用 k 折交叉验证模型

首先我要说的是，我读过很多关于交叉验证的帖子，但似乎存在很多混乱。我的理解很简单：

1. 执行 k 倍交叉验证，即 10 倍，以了解 10 倍的平均误差。
2. 如果可以接受，则在完整的数据集上训练模型。

我正在尝试使用构建决策树rpart在 R 中并利用caret包裹。下面是我正在使用的代码。

# load libraries
library(caret)
library(rpart)

# define training control
train_control<- trainControl(method="cv", number=10)

# train the model 
model<- train(resp~., data=mydat, trControl=train_control, method="rpart")

# make predictions
predictions<- predict(model,mydat)

# append predictions
mydat<- cbind(mydat,predictions)

# summarize results
confusionMatrix<- confusionMatrix(mydat$predictions,mydat$resp)

我有一个关于插入符序列应用程序的问题。我读过了插入符包的简短介绍训练部分指出在重采样过程中确定“最佳参数集”。

在我的例子中，我的编码正确吗？我需要定义rpart我的代码中的参数或者我的代码是否足够？

当您执行 k 倍交叉验证时，您已经对每个样本进行了预测，即超过 10 个不同的模型（假设 k = 10）。 无需对完整数据进行预测，因为您已经从 k 个不同模型中获得了预测。

您可以执行以下操作：

train_control<- trainControl(method="cv", number=10, savePredictions = TRUE)

Then

model<- train(resp~., data=mydat, trControl=train_control, method="rpart")

如果您想以良好的格式查看观察到的结果和预测，您只需输入：

model$pred

另外，对于问题的第二部分，插入符应该处理所有参数。如果需要，您可以手动尝试调整参数。