Antrenarea corectă a unui model

Învățare supervizată în R: Regresia

Nina Zumel and John Mount

Win-Vector, LLC

Modelele pot performa mult mai bine pe datele de antrenament decât pe date noi.

Metodă recomandată când datele sunt suficiente

Preferată când datele sunt insuficiente pentru a separa un set de testare

library(vtreat)
splitPlan <- kWayCrossValidation(nRows, nSplits, NULL, NULL)

nRows: numărul de rânduri din datele de antrenament
nSplits: numărul de partiții în validarea încrucișată
- ex., nfolds = 3 pentru validare încrucișată în 3 partiții
celelalte 2 argumente nu sunt necesare aici

library(vtreat)
splitPlan <- kWayCrossValidation(10, 3, NULL, NULL)

Prima partiție (A și B pentru antrenament, C pentru testare)

splitPlan[[1]]

$train
1  2  4  5  7  9 10
$app
3 6 8

Antrenament pe A și B, testare pe C etc.

split <- splitPlan[[1]]
model <- lm(fmla, data = df[split$train,])
df$pred.cv[split$app] <- predict(model, newdata = df[split$app,])

Învățare supervizată în R: Regresia