7. train的模型标签

本文介绍了多种机器学习模型,包括回归、分类等不同类型的模型,并详细说明了每种模型的特点及参数调整方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

点击下方图片查看HappyChart专业绘图软件

HappyChart专业绘图软件

1. 简介(The caret package )
2. 可视化(The caret package)
3. 预处理(The caret package)
4. 数据分割(The caret package)
5. 模型训练和调参(The caret package)
6. 可用模型(The caret package )

#7. train的模型标签
下面是基本的模型类型或相关特征的列表。整个列表的内容是有争议的。例如,随机森林理论上使用特征选择,支持支持向量机可能不能有效地使用L2正则化等。
内容:
Accepts Case Weights
Bagging
Bayesian Model
Binary Predictors Only
Boosting
Categorical Predictors Only
Cost Sensitive Learning
Discriminant Analysis
Distance Weighted Discrimination
Ensemble Model
Feature Extraction
Feature Selection Wrapper
Gaussian Process
Generalized Additive Model
Generalized Linear Model
Handle Missing Predictor Data
Implicit Feature Selection
Kernel Method
L1 Regularization
L2 Regularization
Linear Classifier
Linear Regression
Logic Regression
Logistic Regression
Mixture Model
Model Tree
Multivariate Adaptive Regression Splines
Neural Network
Oblique Tree
Ordinal Outcomes
Partial Least Squares
Polynomial Model
Prototype Models
Quantile Regression
Radial Basis Function
Random Forest
Regularization
Relevance Vector Machines
Ridge Regression
Robust Methods
Robust Model
ROC Curves
Rule-Based Model
Self-Organising Maps
String Kernel
Support Vector Machines
Text Mining
Tree-Based Model
Two Class Only

##7.0.1 Accepts Case Weights
序列数据的相邻类别概率模型(Adjacent Categories Probability Model)
method = "vglmAdjCat"
类型:分类
调参:

  • parallel(并行曲线)
  • link(连接函数)
    加载包:VGAM
    Bagged CART
    method = "treebag"
    类型:回归,分类
    该模型没有调参
    加载包:ipred, plyr, e1071
    Bagged Flexible Discriminant Analysis
    method = "bagFDA"
    类别:分类
    调参:
  • degree
  • nprune
    加载包:earth, mda
    可以使用设定模型变量重要性度量。
    Bagged MARS
    method = "bagEarth"
    类型:回归,分类
    调参:
  • nprune
  • degree
    加载包:earth
    可以使用设定模型变量重要性度量。
    Bagged MARS using gCV Pruning
    method = "bagEarthGCV"
    类型:回归,分类
    调参:
  • degree
    加载包:earth
    可以使用设定模型变量重要性度量。
    Bayesian Generalized Linear Model
    method = "bayesglm"
    类型:回归,分类
    没有参数调整
    加载包:arm
    Boosted Generalized Additive Model
    method = "gamboost"
    类型:回归,分类
    调参:
  • mstop(boost迭代)
  • prune(AIC 修剪?)
    加载包:mboost, plyr
    注意:prune选项增强了迭代次数,这是通过全部迭代由最优AIC值所决定。?mstop查看例子。如果不用修剪,结果会使用mstop调参的确切值预测。
    Boosted Generalized Linear Model
    method = "glmboost
    类型:回归,分类
    调参:
  • mstop(boost迭代)
  • prune(AIC修剪?)
    加载包:plyr, mboost
    可以使用设定模型变量重要性度量。注意:prune选项增强了迭代次数,这是通过全部迭代由最优AIC值所决定。?mstop查看例子。如果不用修剪,结果会使用mstop调参的确切值预测。
    Boosted Tree
    method = "blackboost"
    类型:回归,分类
    调参:
  • mstop(#树)
  • maxdepth(最大树深)
    加载包: party, mboost, plyr
    C5.0
    method = "C5.0"
    类型:分类
    调参:
  • trials(#boost迭代)
  • model(模型类型)
  • winnow(特征选择?)
    加载包:C50,plyr
    可以使用设定模型变量重要性度量。
    CART
    method = "rpart"
    类型:回归,分类
    调参:
  • cp(复杂度参数)
    加载包:rpart
    可以使用设定模型变量重要性度量。
    CART
    method = "rpart1SE"
    类型:回归,分类
    没有参数调整
    加载包: rpart
    可以使用设定模型变量重要性度量。注意:CART模型应用rpart函数重复相同的过程,rpart函数的模型复杂度由单标准差方法决定。这个过程在train函数重抽样内重复进行,所以能获得外部重抽样估计值。
    CART
    method = "rpart2"
    类型:回归,分类
    调参:
  • maxdepth(最大树深)
    加载包: rpart
    可以使用设定模型变量重要性度量。
    CART or Ordinal Responses
    method = "rpartScore
    类型:分类
    调参:
  • cp(复杂度参数)
  • split(分割函数)
  • prune(修剪度量)
    加载包:rpartScore, plyr
    可以使用设定模型变量重要性度量。
    CHi-squared Automated Interaction Detection
    method = "chaid"
    类型:分类
    调参:
  • alpha2(融合阈值)
  • alpha3(分割前合并阈值)
  • alpha4(分割前合并阈值)
    加载包:CHAID
    Conditional Inference Random Forest
    method = cforest
    类型:回归,分类
    调参:
  • mtry(#随机选取特征)
    加载包: party
    可以使用设定模型变量重要性度量。
    Conditional Inference Tree
    method = "ctree"
    类型:回归,分类
    调参:
  • mincriterion(1-P-value阈值)
    加载包: party
    Conditional Inference Tree
    method = "ctree2"
    类型:回归,分类
    调参:
  • maxdepth(最大树深)
  • mincriterion(1-P-value阈值)
    加载包:party
    Continuation Ratio Model for Ordinal Data
    method = "vglmContRatio"
    类型:分类
    调参:
  • parallel (并行曲线)
  • link(连接函数)
    加载包:VGAM
    Cost-Sensitive C5.0
    method = "C5.0Cost
    类型:分类
    调参:
  • trials(boost迭代)
  • model(模型类型)
  • winnow(特征选择)
  • cost(代价)
    加载包:C50,plyr
    可以使用设定模型变量重要性度量。
    Cost-Sensitive CART
    method = "rpartCost"
    类型:分类
    调参:
  • cp(复杂度参数)
  • Cost(代价)
    加载包:rpart
    Cumulative Probability Model for Ordinal Data
    method = "vglmCumlative"
    类型:分类
    调参:
  • parallel(并行曲线)
  • link(连接函数)
    加载包:VGAM
    DeepBoost
    method = "deepboost
    类型:分类
    调参:
  • num_iter (#boost迭代)
  • tree_depth(树深)
  • beta (L1正则化)
  • lambda(树深正则化)
  • loss_type(损失)
    加载包:deepboost
    Flexible Discriminant Analysis
    method = "fda"
    类型:分类
    调参:
  • degree
  • nprune
    加载包:earth, mda
    可以使用设定模型变量重要性度量。
    Generalized Linear Model
    method = "glm"
    类型:回归,分类
    没有参数调整
    可以使用设定模型变量重要性度量。
    Generalized Linear Model with Stepwise Feature Selection
    method = "glmStepAIC
    类型:回归,分类
    没有参数调整
    加载包: MASS
    Linear Regression
    method = "lm"
    类型:回归
    调参:
  • intercept(截距)
    可以使用设定模型变量重要性度量。
    Linear Regression with Stepwise Selection
    method = "lmStepAIC
    类型:回归
    没有参数调整
    加载包:MASS
    Model Averaged Neural Network
    method = "avNNet
    类型:回归,分类
    调参:
  • size(隐层节点)
  • decay(权重衰变)
  • bag(bag)
    加载包:nnet
    Negative Binomial Generalized Linear Model
    method = "glm.nb
    类型:回归
    调参:
  • link(连接函数)
    可以使用设定模型变量重要性度量。
    Neural Network
    method = "nnet"
    类型:回归,分类
    调参:
  • size(隐层节点)
  • decay(权重衰变)
    加载包:nnet
    可以使用设定模型变量重要性度量。
    Neural Networks with Feature Extraction
    method = "pcaNNet
    类型:回归,分类
    调参:
  • size (隐层节点)
  • decay(权重衰变)
    加载包:nnet
    Ordered Logistic or Probit Regression
    method = "polr"
    类型:分类
    调参:
  • method(参数)
    加载包:MASS
    可以使用设定模型变量重要性度量。
    Penalized Discriminant Analysis
    method = "pda"
    类型:分类
    调参:
  • lambda(收缩惩罚系数)
    加载包:mda
    Penalized Multinomial Regression
    method = "multinom"
    类型:分类
    调参:
  • decay(权重衰减)
    加载包:nnet
    可以使用设定模型变量重要性度量。

内容补充:
[1]. train Models By Tag

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值