7. train的模型标签

点击下方图片查看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