SVM с перекрестной проверкой в R с использованием каретки

Мне сказали использовать пакет caret, чтобы выполнить регрессию Support Vector Machine с 10-кратной проверкой перекрестных ссылок на набор данных, который у меня есть. Я рисую свою переменную ответа на 151 переменную. Я сделал следующее: -

> ctrl <- trainControl(method = "repeatedcv", repeats = 10)
> set.seed(1500)
> mod <- train(RT..seconds.~., data=cadets, method = "svmLinear", trControl = ctrl)

в котором я получил

C    RMSE  Rsquared  RMSE SD  Rsquared SD
  0.2  50    0.8       20       0.1        
  0.5  60    0.7       20       0.2        
  1    60    0.7       20       0.2

Но я хочу иметь возможность взглянуть на мои складки, и для каждого из них, насколько близки предсказанные значения к фактическим значениям. Как я смотрю на это?

Кроме того, в нем говорится, что: -

RMSE was used to select the optimal model using  the smallest value.
The final value used for the model was C = 0.

Мне просто интересно, что это значит и что означает C в таблице выше?

RT (seconds)    76_TI2  114_DECC    120_Lop 212_PCD 236_X3Av
38  4.086   1.2 2.322   0   0.195
40  2.732   0.815   1.837   1.113   0.13
41  4.049   1.153   2.117   2.354   0.094
41  4.049   1.153   2.117   3.838   0.117
42  4.56    1.224   2.128   2.38    0.246
42  2.96    0.909   1.686   0.972   0.138
42  3.237   0.96    1.922   1.202   0.143
44  2.989   0.8 1.761   2.034   0.11
44  1.993   0.5 1.5 0   0.102
44  2.957   0.8 1.761   0.988   0.141
44  2.597   0.889   1.888   1.916   0.114
44  2.428   0.691   1.436   1.848   0.089

Это снайпер моего набора данных. Я пытаюсь использовать RT секунд против 151 переменных.

Спасибо

Ответ 1

Вы должны сохранить свои предсказания CV с помощью опции "savePred" в вашем объекте trainControl. Я не уверен, какой пакет данных ваших "кадетов", но вот тривиальный пример с использованием диафрагмы:

> library(caret)
> ctrl <- trainControl(method = "cv", savePred=T, classProb=T)
> mod <- train(Species~., data=iris, method = "svmLinear", trControl = ctrl)
> head(mod$pred)
        pred        obs      setosa  versicolor   virginica rowIndex   .C Resample
1     setosa     setosa 0.982533940 0.009013592 0.008452468       11 0.25   Fold01
2     setosa     setosa 0.955755054 0.032289120 0.011955826       35 0.25   Fold01
3     setosa     setosa 0.941292675 0.044903583 0.013803742       46 0.25   Fold01
4     setosa     setosa 0.983559919 0.008310323 0.008129757       49 0.25   Fold01
5     setosa     setosa 0.972285699 0.018109218 0.009605083       50 0.25   Fold01
6 versicolor versicolor 0.007223973 0.971168170 0.021607858       59 0.25   Fold01

EDIT: "C" является одним из параметров настройки вашего SVM. Подробнее см. Справку для функции ksvm в пакете kernlab.

EDIT2: пример тривиальной регрессии

> library(caret)
> ctrl <- trainControl(method = "cv", savePred=T)
> mod <- train(Sepal.Length~., data=iris, method = "svmLinear", trControl = ctrl)
> head(mod$pred)
      pred obs rowIndex   .C Resample
1 4.756119 4.8       13 0.25   Fold01
2 4.910948 4.8       31 0.25   Fold01
3 5.094275 4.9       38 0.25   Fold01
4 4.728503 4.8       46 0.25   Fold01
5 5.192965 5.3       49 0.25   Fold01
6 5.969479 5.9       62 0.25   Fold01