Bir CART modelinin çapraz doğrulanması

Question

Bir ödevde, bir CART modelinde çapraz doğrulama yapmamız istenir. cvFit işlevini cvTools numaralı telefondan kullanmayı denedim ancak garip bir hata mesajı aldım. İşte minimal örnek:

library(rpart) 
library(cvTools) 
data(iris) 
cvFit(rpart(formula=Species~., data=iris)) 

görüyorum hatadır:

Error in nobs(y) : argument "y" is missing, with no default 

Ve traceback():

5: nobs(y) 
4: cvFit.call(call, data = data, x = x, y = y, cost = cost, K = K, 
     R = R, foldType = foldType, folds = folds, names = names, 
     predictArgs = predictArgs, costArgs = costArgs, envir = envir, 
     seed = seed) 
3: cvFit(call, data = data, x = x, y = y, cost = cost, K = K, R = R, 
     foldType = foldType, folds = folds, names = names, predictArgs = predictArgs, 
     costArgs = costArgs, envir = envir, seed = seed) 
2: cvFit.default(rpart(formula = Species ~ ., data = iris)) 
1: cvFit(rpart(formula = Species ~ ., data = iris)) 

O ycvFit.default için zorunlu olduğunu görünüyor. Ancak: Neyi yanlış yapıyorum? Hangi paket kendim kodlamak zorunda kalmadan bir CART ağacıyla çapraz doğrulama yapmamı sağlar? (Ben ... sooo tembelim)

Answer 1

şapka paket çapraz doğrulama bir çırpıda yapar:

> library(caret) 
> data(iris) 
> tc <- trainControl("cv",10) 
> rpart.grid <- expand.grid(.cp=0.2) 
> 
> (train.rpart <- train(Species ~., data=iris, method="rpart",trControl=tc,tuneGrid=rpart.grid)) 
150 samples 
    4 predictors 
    3 classes: 'setosa', 'versicolor', 'virginica' 

No pre-processing 
Resampling: Cross-Validation (10 fold) 

Summary of sample sizes: 135, 135, 135, 135, 135, 135, ... 

Resampling results 

    Accuracy Kappa Accuracy SD Kappa SD 
    0.94  0.91 0.0798  0.12  

Tuning parameter 'cp' was held constant at a value of 0.2 

Answer 2

Son olarak, işe almak başardı. Joran'ın belirttiği gibi, cost parametresinin uyarlanması gerekiyor. Benim durumumda 0/1 kaybı kullanıyorum, yani y ve yHat arasında - yerine != değerlendiren basit bir işlev kullandığımı gösterir. Ayrıca, predictArgs, c(type='class')'u içermelidir, aksi halde, predict çağrısı dahili olarak kullanılırken, en olası sınıflandırma yerine olasılıkların bir vektörünü döndürür. Özetle:

library(rpart) 
library(cvTools) 
data(iris) 
cvFit(rpart, formula=Species~., data=iris, 
     cost=function(y, yHat) (y != yHat) + 0, predictArgs=c(type='class')) 

(Bu cvFit başka varyantı kullanır Ek args rpart için args= parametresini ayarlayarak geçirilebilir..)