5 x 5-faldig korsvalidering
Det går att köra mer än en omgång korsvalidering. Upprepad korsvalidering ger en bättre uppskattning av testmängdens fel. Du kan upprepa hela korsvalideringsproceduren flera gånger – det tar längre tid, men ger dig fler datamängder utanför träningen att utgå från och en betydligt mer precis bild av hur väl modellen presterar.
En av styrkorna med funktionen train() i caret är hur enkelt det är att köra vitt skilda modeller eller korsvalideringsmetoder – det räcker att justera några få argument i funktionsanropet. Du kan till exempel upprepa hela korsvalideringsproceduren 5 gånger för att öka tillförlitligheten i dina skattningar av modellens prestanda på osedd data, t.ex.:
trControl = trainControl(
method = "repeatedcv",
number = 5,
repeats = 5,
verboseIter = TRUE
)
Den här övningen är en del av kursen
Maskininlärning med caret i R
Övningsinstruktioner
- Anpassa den linjära regressionsmodellen på nytt mot bostadsdatamängden
Boston. - Använd 5 upprepningar av 5-faldig korsvalidering.
- Skriv ut modellen i konsolen.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Fit lm model using 5 x 5-fold CV: model
model <- train(
medv ~ .,
Boston,
method = "lm",
trControl = trainControl(
method = "repeatedcv",
number = ___,
repeats = ___,
verboseIter = TRUE
)
)
# Print model to console