R tunelength参数在插入符号中的工作方式

我使用下面的代码来实现使用R

model <- train(
Sales ~., data = train_data, method = "glmnet",
trControl = trainControl("cv", number = 10),
tuneLength = 10
)

---

model在
caret
中，
train（）
函数有许多参数可帮助您为所选模型选择“最佳”调整参数

包文档中详细解释了模型调整

用户可以通过指定模型在训练模型时将使用的可能参数值网格来自定义调整过程

对于某些型号，使用
tuneLength
可以替代指定
tuneGird

例如，搜索“最优”模型参数的一种方法是使用随机选择。在这种情况下，
tuneLength
参数用于控制此随机调谐参数搜索生成的组合数

要使用随机搜索，trainControl中的另一个选项称为搜索。此参数的可能值为“网格”和“随机”。插入符号中包含的内置模型包含生成随机调整参数组合的代码。唯一组合的总数由要训练的tuneLength选项指定

这里将更详细地介绍：

检查您在列车功能中使用的模型并查看该模型使用的调整参数非常重要。这样就更容易理解如何正确自定义模型拟合过程

对于使用
方法='glmnet'
的示例，这里是使用
tuneGrid
和
tuneLength
的比较（取自）：

cctrl1在
caret
中，
train（）
函数有许多参数可帮助您为所选模型选择“最佳”调整参数

包文档中详细解释了模型调整

用户可以通过指定模型在训练模型时将使用的可能参数值网格来自定义调整过程

对于某些型号，使用
tuneLength
可以替代指定
tuneGird

例如，搜索“最优”模型参数的一种方法是使用随机选择。在这种情况下，
tuneLength
参数用于控制此随机调谐参数搜索生成的组合数

要使用随机搜索，trainControl中的另一个选项称为搜索。此参数的可能值为“网格”和“随机”。插入符号中包含的内置模型包含生成随机调整参数组合的代码。唯一组合的总数由要训练的tuneLength选项指定

这里将更详细地介绍：

检查您在列车功能中使用的模型并查看该模型使用的调整参数非常重要。这样就更容易理解如何正确自定义模型拟合过程

对于使用
方法='glmnet'
的示例，这里是使用
tuneGrid
和
tuneLength
的比较（取自）：

cctrl1
cctrl1 <- trainControl(method = "cv", number = 3, returnResamp = "all",
                       classProbs = TRUE, summaryFunction = twoClassSummary)

test_class_cv_model <- train(trainX, trainY, 
                             method = "glmnet", 
                             trControl = cctrl1,
                             metric = "ROC",
                             preProc = c("center", "scale"),
                             tuneGrid = expand.grid(.alpha = seq(.05, 1, length = 15),
                                                    .lambda = c((1:5)/10)))


cctrlR <- trainControl(method = "cv", number = 3, returnResamp = "all", search = "random")


test_class_rand <- train(trainX, trainY, 
                         method = "glmnet", 
                         trControl = cctrlR,
                         tuneLength = 4)