Att träna en modell på rätt sätt

Övervakad inlärning i R: Regression

Nina Zumel and John Mount

Win-Vector, LLC

En modell kan prestera mycket bättre på träningsdata än på ny data.

Rekommenderad metod när data finns i god tillgång

Föredras när datamängden är för liten för att avsätta ett testset

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

nRows: antal rader i träningsdata
nSplits: antal folder (partitioner) i korsvalideringen
- t.ex. nfolds = 3 för trefolds-korsvalidering
de 2 återstående argumenten behövs inte här

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

Första fold (A och B för träning, C för test)

splitPlan[[1]]

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

Träna på A och B, testa på C, osv...

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

Övervakad inlärning i R: Regression