如何使用 caret-GBM 解释/调整多项分类?
Posted
技术标签:
【中文标题】如何使用 caret-GBM 解释/调整多项分类?【英文标题】:How to interpret/tune a multinomial classification with caret-GBM? 【发布时间】:2020-09-20 10:23:00 【问题描述】:两个问题
-
可视化模型的错误
计算日志损失
(1) 我正在尝试调整多项 GBM 分类器,但我不确定如何适应输出。我知道 LogLoss 旨在最小化,但在下图中,对于任何范围的迭代或树,它似乎只会增加。
inTraining <- createDataPartition(final_data$label, p = 0.80, list = FALSE)
training <- final_data[inTraining,]
testing <- final_data[-inTraining,]
fitControl <- trainControl(method = "repeatedcv", number=10, repeats=3, verboseIter = FALSE, savePredictions = TRUE, classProbs = TRUE, summaryFunction= mnLogLoss)
gbmGrid1 <- expand.grid(.interaction.depth = (1:5)*2, .n.trees = (1:10)*25, .shrinkage = 0.1, .n.minobsinnode = 10)
gbmFit1 <- train(label~., data = training, method = "gbm", trControl=fitControl,
verbose = 1, metric = "ROC", tuneGrid = gbmGrid1)
plot(gbmFit1)
-- (2) 在相关说明中,当我尝试直接调查 mnLogLoss 时出现此错误,这使我无法尝试量化错误。
mnLogLoss(testing, levels(testing$label)) : 'lev' cannot be NULL
【问题讨论】:
我为图表汇总了一个答案。一般来说,尽量避免问多个问题。没有示例,我无法重现您的错误。因此,如果您仍然有问题,我鼓励您发布另一个问题。 【参考方案1】:我怀疑您将学习率设置得太高。所以使用示例数据集:
final_data = iris
final_data$label=final_data$Species
final_data$Species=NULL
inTraining <- createDataPartition(final_data$label, p = 0.80, list = FALSE)
training <- final_data[inTraining,]
testing <- final_data[-inTraining,]
fitControl <- trainControl(method = "repeatedcv", number=10, repeats=3,
verboseIter = FALSE, savePredictions = TRUE, classProbs = TRUE, summaryFunction= mnLogLoss)
gbmGrid1 <- expand.grid(.interaction.depth = 1:3, .n.trees = (1:10)*10, .shrinkage = 0.1, .n.minobsinnode = 10)
gbmFit1 <- train(label~., data = training, method = "gbm", trControl=fitControl,
verbose = 1, tuneGrid = gbmGrid1,metric="logLoss")
plot(gbmFit1)
与你的有点不同,但你可以看到 20 岁之后的上升趋势。这实际上取决于你的数据,但如果你的学习率很高,你至少会很快到达,之后的任何事情都会引入噪音。你可以从Boehmke's book 看到这个插图,也可以查看更多statistics based discussion。
让我们降低学习率,你可以看到:
gbmGrid1 <- expand.grid(.interaction.depth = 1:3, .n.trees = (1:10)*10, .shrinkage = 0.01, .n.minobsinnode = 10)
gbmFit1 <- train(label~., data = training, method = "gbm", trControl=fitControl,
verbose = 1, tuneGrid = gbmGrid1,metric="logLoss")
plot(gbmFit1)
请注意,您很可能需要更多的迭代才能达到更低的损失,就像您在第一次看到的那样。
【讨论】:
以上是关于如何使用 caret-GBM 解释/调整多项分类?的主要内容,如果未能解决你的问题,请参考以下文章