Я использую пакет gbm в R для двоичной классификации. Я использую функцию экспоненциального убывания adaboost для алгоритма. У меня есть два вопроса:R gbm package: Ошибка обучения и функция экспоненциальной потери Adaboost
Если я хочу увидеть ошибку обучения, должен ли я просто посмотреть на это? (Предположим, что моя модель объекта называется нужным, и я использовал 3-кратное CV.)
best.iter <- gbm.perf(fit,method="cv")
fit$train.error[best.iter]
Если я хочу сделать прогноз на моем тренировочном наборе данных, скажем, «поезд», с удаленная переменная, по этой строке кода:
pred <- predict(object=fit,newdata=train,n.trees=best.iter)
. Это дает мне только экспоненциальные значения потерь adaboost. Как я мог преобразовать это обратно в вероятность двоичного класса? Я попробовалplogis
иlog
. Результаты просто не имеют смысла. Например,plogis
дал мне 0.99 *** для всего,log
дал мне интервал [0,52,0,56]. Какую трансформацию я должен делать?
FYI, я вырос на 100 деревьев, и процесс установки кажется ОК. Например,
> fit$oobag.improve
[1] 0.1431295103 0.1093538334 0.0852480128 0.0678520088 0.0549712390 0.0452351232 0.0378058484 0.0319409903
[9] 0.0275396129 0.0237185758 0.0208696658 0.0182786535 0.0163750200 0.0146381260 0.0132728128 0.0119435448
[17] 0.0108959138 0.0099211566 0.0091093166 0.0084316036 0.0078037047 0.0071945142 0.0066821670 0.0061718044
[25] 0.0058103999 0.0054534710 0.0051276913 0.0047975274 0.0044901763 0.0042387273 0.0039702177 0.0037345627
[33] 0.0035337545 0.0033370776 0.0031656407 0.0029688111 0.0028016085 0.0026640768 0.0025268873 0.0023897908
[41] 0.0022594735 0.0021612521 0.0020255227 0.0019376223 0.0018393318 0.0017481065 0.0016463413 0.0015561673
[49] 0.0014813435 0.0014237926 0.0013459092 0.0012719409 0.0012116881 0.0011572038 0.0010948941 0.0010420570
[57] 0.0009843288 0.0009398356 0.0008938670 0.0008542828 0.0008063698 0.0007637763 0.0007325414 0.0006917561
[65] 0.0006582027 0.0006313925 0.0005979843 0.0005645791 0.0005410957 0.0005159002 0.0004869797 0.0004643209
[73] 0.0004464032 0.0004213901 0.0004010297 0.0003815199 0.0003623747 0.0003445184 0.0003269569 0.0003105762
[81] 0.0002960856 0.0002802715 0.0002679399 0.0002541207 0.0002425242 0.0002294759 0.0002200414 0.0002093278
[89] 0.0001974315 0.0001893624 0.0001788743 0.0001709422 0.0001624860 0.0001538988 0.0001479532 0.0001403145
[97] 0.0001338089 0.0001256208 0.0001206701 0.0001142448
Спасибо!
Чтобы уточнить: L> 1 означает классифицировать, а L <1 следует неправильно классифицировать? Вы ввели «<» в обоих случаях. – Boxuan