使用caret选择调整参数，使用自定义度量的标准差

Question

我正在使用自定义拟合度量的caret，但我不仅需要最大化此度量，还需要最大化置信区间下限。因此，我想要最大化类似于mean(metric) - k * stddev(metric)的内容。 我知道如何手动执行此操作，但是否有一种方法可以告诉caret使用此函数自动选择最佳参数？

- slonopotam

---

我已将此问题标记为不适合主题，因此请将其迁移到 Stack Overflow。 - slonopotam

Answer 1

是的，你可以通过你的“trainControl”对象中的“summaryFunction”参数定义自己的选择指标，然后在调用“train()”时使用“metric”参数。有关此详细信息在caret的模型调整页面上的“替代性能度量”部分已经很好地记录了：http://caret.r-forge.r-project.org/training.html 我认为你提供的信息不够具体，但是这里有一个示例，使用twoClassSummary函数的代码：

> library(caret)
> data(Titanic)
> 
> #an example custom function
> roc <- function (data, lev = NULL, model = NULL) {
+   require(pROC)
+   if (!all(levels(data[, "pred"]) == levels(data[, "obs"]))) 
+     stop("levels of observed and predicted data do not match")
+   rocObject <- try(pROC:::roc(data$obs, data[, lev[1]]), silent = TRUE)
+   rocAUC <- if (class(rocObject)[1] == "try-error") 
+     NA
+   else rocObject$auc
+   out <- c(rocAUC, sensitivity(data[, "pred"], data[, "obs"], lev[1]), specificity(data[, "pred"], data[, "obs"], lev[2]))
+   names(out) <- c("ROC", "Sens", "Spec")
+   out
+ }
> 
> #your train control specs
> tc <- trainControl(method="cv",classProb=TRUE,summaryFunction=roc)
> #yoru model with selection metric specificed
> train(Survived~.,data=data.frame(Titanic),method="rf",trControl=tc,metric="ROC")
32 samples
 4 predictors
 2 classes: 'No', 'Yes' 

No pre-processing
Resampling: Cross-Validation (10 fold) 

Summary of sample sizes: 28, 29, 30, 30, 28, 28, ... 

Resampling results across tuning parameters:

  mtry  ROC    Sens  Spec  ROC SD  Sens SD  Spec SD
  2     0.9    0.2   0.25  0.175   0.35     0.425  
  4     0.85   0.4   0.6   0.211   0.459    0.459  
  6     0.875  0.35  0.6   0.212   0.412    0.459  

ROC was used to select the optimal model using  the largest value.
The final value used for the model was mtry = 2. 

- David

---

你好，能否向我展示如何使用summaryFunction仅基于特异性选择分类器？因为我的正事件数据非常罕见。 - abi

只需使用 metric="Spec"。 - David

Answer 2

在caret的train函数帮助文档中有更多基本示例：

madSummary <- function (data,
                        lev = NULL,
                        model = NULL) {
  out <- mad(data$obs - data$pred, 
             na.rm = TRUE)  
  names(out) <- "MAD"
  out
}

robustControl <- trainControl(summaryFunction = madSummary)
marsGrid <- expand.grid(degree = 1, nprune = (1:10) * 2)

earthFit <- train(medv ~ .,
                  data = BostonHousing, 
                  method = "earth",
                  tuneGrid = marsGrid,
                  metric = "MAD",
                  maximize = FALSE,
                  trControl = robustControl)

- Michael Kachala