如何在一个循环中训练多个模型答案

【问题标题】：How to train several models within a loop for如何在一个循环中训练多个模型
【发布时间】：2017-05-02 11:42:29
【问题描述】：

我想用caret 包训练几个模型（7 个响应变量中的每一个）在一个循环中。

我的 data.frame data 有 46 个预测变量（全部用于训练所有模型）和 7 个响应。

我尝试了一些 Rcode 但失败了：

models.list = list()
Ynames = names(data)[47:ncol(data)]
for(y in Ynames)
{
models.list[[y]] = train(as.name(y)~., subset(data,select=-Ynames[-y]),method="".....)
}

我的变量Ynames 包含所有响应。每个模型都必须使用单个响应变量进行训练。因此，对于迭代 1，我们将针对 Ynames[1] 响应和所有 46 个预测变量训练模型，但有必要从数据集 data 中排除所有非第一响应变量 (Ynames[-1])。

【问题讨论】：

标签： r for-loop machine-learning subset r-caret

【解决方案1】：

这可能是与您的示例匹配的替代方法（使用 iris）。子集基于这篇文章：removing a list of columns from a data.frame using subset

models.list = list()
Ynames = names(iris)[3:ncol(iris)]

for(y in Ynames)
{
  to.remove <- Ynames[!Ynames==y]
  `%ni%` <- Negate(`%in%`)
  models.list[[y]] = train(as.name(y)~., subset(iris,select = names(iris) %ni% to.remove),method="".....)
}

【讨论】：

感谢您的回答。它对我不起作用，我收到以下错误：“model.frame.default(form = as.name(y) ~ ., data = subset(iris, : object is not a matrix) 中的错误”
修复了如果我修改输入公式："train(as.formula(paste(y,"~.",sep="")), subset(iris,s...."
啊，没有检查实际的火车功能，但是很棒！

【解决方案2】：

如果您避免使用公式类并使用一个矩阵或 data.frame 作为您的响应并使用另一个作为您的预测器，则会更容易：

Y <- matrix(runif(700, 0, 100), ncol = 7)
X <- matrix(runif(4600, 0, 100), ncol = 46)
colnames(Y) <- paste("Y", 1:ncol(Y))
colnames(X) <- paste("X", 1:ncol(X))

library(caret)

models.list = as.list(vector(length = ncol(Y)))
for(i in 1:ncol(Y)) {
    models.list[[i]] <- train(x = X, y = Y[,i], method = "lm")
}

【讨论】：