插入列车修剪参数的功能

2 回答

• 0

  trim 选项（现在）不适用于 randomForest .

  如果你在github上搜索修剪问题，你会发现list of issues .

  Issue 90提到这个关于修剪：

  这已经针对模型bayesglm，C5.0，C5.0Cost，C5.0Rules，C5.0Tree，glm，glmnet，rpart，rpart2和treebag实现 . 目前的回归测试正在通过 .

  这证实了我对代码的调查，你可以在测试中看到插入符号的功能，这些是经过测试的模型，看到修剪结果会产生较小的对象大小，并且预测结果仍然正确 .

  同样使用非公式接口可能会减少占用空间 . 如果您使用公式界面，Caret会做一些额外的工作 .

  回复于 2024-04-26T19:06:06+08:00
• 0

  我对caret package以及@phiver列出的方法进行了一些挖掘 . tldr;在bayesglm，C5.0，C5.0Cost，C5.0Rules，C5.0Tree，glm，glmnet，rpart，rpart2和treebag上使用trim时，请参阅下面的详细信息 . 否则，为其他方法设置 trim=T 无效

  bayesglm和glm

  从模型中调整不需要预测的数据输出，使得拟合模型相对于训练数据大小在大小上是恒定的 . 修剪功能是

  function(x) {
      x$y = c()
      x$model = c()
  
      x$residuals = c()
      x$fitted.values = c()
      x$effects = c()
      x$qr$qr = c()
      x$linear.predictors = c()
      x$weights = c()
      x$prior.weights = c()
      x$data = c()
  
      x$family$variance = c()
      x$family$dev.resids = c()
      x$family$aic = c()
      x$family$validmu = c()
      x$family$simulate = c()
      attr(x$terms,".Environment") = c()
      attr(x$formula,".Environment") = c()
      x$R <- c() #Not in a glm
      x$xNames <- c()
      x$xlevels <- c()
      x
      }
  

  这主要基于this post，其中包含有此限制的有趣分析：

  一点一点警告 . 你可以完全取消模型$ family;预测函数仍将返回其默认值，链接值（即predict（model，newdata = data））将起作用） . 但是，预测（model，newdata = data，type ='response'）将失败 . 您仍然可以通过反向链接函数传递链接值来恢复响应：在逻辑回归的情况下，这是sigmoid函数，sigmoid（x）= 1 /（1 exp（-x）） . 需要注意的是：除了预测您可能喜欢使用glm模型之外，许多其他事情都会在精简版本上失败：特别是summary（），anova（）和step（） . 因此，您应该在减少脂肪之前对候选模型进行任何表征 . 一旦确定了令人满意的模型，就可以将其剥离并保存，以便在将来的预测中使用 .

  我还包括了直接从caret package:具有修剪功能的其他方法的修剪功能

  glmnet

  function(x) {
      x$call <- NULL
      x$df <- NULL
      x$dev.ratio <- NULL
      x
    }
  

  C5.0，C5.0Cost，C5.0Rules，C5.0Tree

  function(x) {
      x$boostResults <- NULL
      x$size <- NULL
      x$call <- NULL
      x$output <- NULL
      x
      }
  

  rpart，rpart2

  function(x) {
      x$call <- list(na.action = (x$call)$na.action)
      x$x <- NULL
      x$y <- NULL
      x$where <- NULL
      x
      }
  

  树袋

  function(x) {
      trim_rpart <- function(x) {
        x$call <- list(na.action = (x$call)$na.action)
        x$x <- NULL
        x$y <- NULL
        x$where <- NULL
        x
      }
      x$mtrees <- lapply(x$mtrees, 
                         function(x){
                           x$bindx <- NULL
                           x$btree <- trim_rpart(x$btree)
                           x
                         } )
      x
      }
  

  回复于 2024-04-26T19:06:06+08:00