我正在使用mlr3软件包，我想为不同的模型绘制ROC曲线。如果我使用交叉验证，就像documentation中解释的那样，它工作得很好，但是如果我使用"holdout“进行重采样，那么我会得到一个错误的Error: Invalid show_cb.代码如下： library("mlr3")library("mlr3viz&qu
浏览 114提问于2020-10-19得票数 3
回答已采纳
1回答
关于如何处理不平衡数据的主要选项
、、、、
对于每一个折叠分别在“训练”和“测试”集上应用一种重采样技术(上采样、下采样或两者的组合)。使用“替代”度量来评估:例如，精确召回曲线的AUC或类似F分数(精确和回忆的调和平均值)之类的<
浏览 0提问于2020-06-07得票数 2
我正在使用Rstudio，并尝试使用来自包roc的pROC和boot进行引导。我正在遵循上的代码。该链接中的代码使用了boot的另一个函数，它工作得很好。但是当我尝试roc时，它会产生错误。下面是我的代码：(在输出中，我正在打印样本的尺寸，以查看重采样完成了多少次。在这里，R=5，采样做了6次，然后出现错误)。如果我用其他函数(如roc )代替sum，那么它工作得很完美(它没有任何
浏览 3提问于2016-06-28得票数 3
回答已采纳
我想比较几种机器学习算法的性能(例如，rpart、xgb、.的决策树)。包括他们使用mlr3进行的超参数调整。换句话说，我想比较已经调优的不同算法的实例，而不是算法的默认超参数值。mlr3提供自动调谐器对象来执行嵌套重采样和超参数调优.还有一个基准()函数来对几个学习者进行比较。benchmark()函数依次使用benchmark_grid()来设置基准测
浏览 10提问于2021-08-17得票数 0
回答已采纳
我正在使用mlr3中的benchmark()函数来比较几种ML算法。其中之一是带有超参数调优的XGB。因此，我有一个外部重采样来评估总体性能(保持样本)和内部重采样用于超参数调整(5倍交叉验证)。除了对所有ML算法的准确性进行估计外，我还希望看到调优的XGB特性的重要性。为此，我必须访问调优模型(在基准测试对象
浏览 5提问于2021-11-03得票数 0
回答已采纳
3回答
使用R包插入符号，如何根据train()函数的交叉验证结果生成ROC曲线？., data=Sonar, trControl=ctrl)注意:如果用于采样的方法是LOOCV，那
浏览 1提问于2015-06-30得票数 30
回答已采纳
1回答
我一直试图使用mlr3为xgboost做一些超参数调优。我想比较三种不同的型号：
hyperparameterxgboost只对α进行调整，而lambda hyperparametersxgboost则调整到alpha、lambda和the深度hyperparameters在阅读了mlr3的书之后，我认为使用AutoTuner进行嵌套重采样和基准测试是最好的方法。由于某种原因，在运行基准</
浏览 1提问于2021-03-24得票数 2
回答已采纳
2回答
使用C++将曲线重归为偶数长度段的最佳方法是什么？我所拥有的是一组点，它代表一条2d曲线。在下面的例子中，我有一个带有x和y分量的点结构和一个带有测试位置的点向量。每一对点代表曲线上的一段。重采样曲线的例子是下面的图像。红圈是原来的位置，绿圈是重采样后<em
浏览 1提问于2017-05-01得票数 7
回答已采纳
1回答
我有一个类似如下的模型：data(Sonar)
set.seed(998)
Class ~ ., method = "xgbTree", metric = "ROC"如何绘制此模型的ROC曲线？据我所知，必须保存概
浏览 1提问于2018-01-27得票数 5
回答已采纳
最近，我正在学习如何使用带有并行化的mlr3包。作为mlr3图书()和教程()的介绍，mlr3使用未来的后端进行并行化。我使用以下代码运行一个简单的测试：library(future)library(mlr3)
# set the但是，我已经发现了许多关于未来包的教程，获得未来结果的<
浏览 10提问于2021-02-17得票数 0
回答已采纳
1回答
了解随机森林博客的几个问题
、、、、
我试图用随机森林和logistic回归模型来理解关于敏感性和特异性之间的权衡的好博客。我有几个问题：
1)博客在ranger包中使用了10倍的交叉验证(参见模型mod_rf)，并将度量设置为ROC。3) caret包在R中允许过采样来调整数据的不平衡。他们尝试logistic回归(见sim_glm模型)进行过抽样，并指定repeats = 2重复10倍交叉验证2次。它怎麽工作?我不太清楚。在每一次交叉验证之前，创造出男女比例为50-5
浏览 0提问于2018-12-03得票数 1
2回答
我目前正在处理一个严重不平衡的数据集的分类问题。更具体地说，它是一个包含大约290 k行数据的欺诈检测数据集，0类(非欺诈)的分布率为99.8%，1类(欺诈)的分布率为0.17%。我一直使用XGBoost，随机森林和LightBGM作为我的预测模型。我还尝试以不同的方式运行这些模型，方法是调优类权重并重新对数据集进行重采样，以使其达到平衡的规模。此外，我使用F1评分、ROC-AUC
浏览 0提问于2023-04-04得票数 0
1回答
K折交叉验证ROC曲线的绘制
、、、、
我正在处理一个不平衡的数据集。在应用ML模型之前，我将数据集分成测试集和训练集，然后应用SMOTE算法来平衡数据集。我想应用交叉验证，绘制每个褶皱的ROC曲线，显示每个褶皱的AUC，并在图中显示AUC的平均值。我将重采样的训练集变量命名为X_train_res和y_train_res，代码如下：classifie
浏览 6提问于2019-08-29得票数 2
回答已采纳
1回答
我对神经网络世界还很陌生，所以我请求您的理解。我正在生成一些测试，因此我有一个关于参数size和decay的问题。我使用caret包和nnet方法。首先，这是使用插入符号使用nnet方法的最好方法吗？)，但我不明白如何在实践中使用它们。有人能帮上忙吗？
浏览 1提问于2017-02-23得票数 9
回答已采纳
3回答
我有一个相当不平衡的数据为违约风险信用评分(2:98)。这两种成本都是相当重要的，即虚假负数意味着违约造成的损失，而假阳性则是一种损失的收入机会。我试着在不平衡的集合上训练一些模型，并尝试过/不抽样的方法，以及基于课堂的重量平衡。所有这些办法都促成了一个像样的ROCAUC。然而，精确召回曲线在整体上看上去很糟糕。但如果我要平衡测试集，精确召回曲线看起来要好得多。这一切为什么要发生？在数据分
浏览 0提问于2018-10-29得票数 5
我正在对python中的随机森林进行调优，并想知道我的模型是否/为什么过于合适。数据集描述如下：50个数字特征，~450标签/热编码特征(后数据缩减)分类度量=AUC或F1 (由于数据不平衡)
我得到的结果倾向于建议使用非常深的树，即深度18，不限制每次分割的样本数=2(默认)。在这种情况下，列车AUC
浏览 0提问于2018-06-19得票数 3
我正在学习R中用于机器学习的mlr3包。我使用“保持”重采样将数据分成训练集和测试集，我如何才能获得训练集的度量？即使我将"predict_set“指定为"train”，它似乎也只给出了测试集的度量。> library(mlr3)> learner <- lrn(&q
浏览 30提问于2020-10-22得票数 1
1回答
Caret分类阈值
、、、
我一直在使用gbm在Rstudio中的caret包中查找出现故障的概率。
我用Youden的J找到了最佳分类的阈值，即0.63。我现在如何使用这个阈值？我认为最好的方法是在gbm模型中加入caret的阈值，以获得更准确的预测，然后在训练数据上重新运行模型？目前，它默认为0.5，我找不到一个明显的方法来更新阈值。或者，阈值是否仅用于将测试数据预测分离为正确的类？这看起来更直截了当，但是假设概率应该根据
浏览 1提问于2021-01-22得票数 8
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
云直播活动推荐
腾讯云开发者
