如何从插入符号网格搜索中选择最佳ntree值？

我已手动调整参数，以找到最佳ntree：

bestMtry <- 3
control <- trainControl(method = 'repeatedcv',
                                number = 10,
                                repeats = 3,
                                search = 'grid')


storeMaxtrees <- list()
tuneGrid <- expand.grid(.mtry = bestMtry)
for (ntree in c(1000, 1500, 2000)) {
  set.seed(291)
  rf.maxtrees <- train(survived ~ .,
                       data = trainingSet,
                       method = "rf",
                       metric = "Accuracy",
                       tuneGrid = tuneGrid,
                       trControl = control,
                       importance = TRUE,
                       nodesize = 14,
                       maxnodes = 24,
                       ntree = ntree)
  key <- toString(ntree)
  storeMaxtrees[[key]] <- rf.maxtrees
}
resultsTree <- resamples(storeMaxtrees)
summary(resultsTree)

---

从输出中，我可以理解，基于精度和Kappa，2000是ntree的最佳值。我想动态存储ntree（2000）的最佳值。有没有类似于

best\u ntree的方法可以存储summary（）调用的结果，例如：

bestMtry <- 3
control <- trainControl(method = 'repeatedcv',number = 5)
data = MASS::Pima.tr                                

storeMaxtrees <- list()
tuneGrid <- expand.grid(.mtry = bestMtry)
for (ntree in c(1000, 1500, 2000)) {
  set.seed(291)
  rf.maxtrees <- train(type ~ .,
                       data = data,
                       method = "rf",
                       metric = "Accuracy",
                       tuneGrid = tuneGrid,
                       trControl = control,
                       importance = TRUE,
                       nodesize = 14,
                       maxnodes = 24,
                       ntree = ntree)
  key <- toString(ntree)
  storeMaxtrees[[key]] <- rf.maxtrees
}
resultsTree <- resamples(storeMaxtrees)

您可以将我示例中的1500转换为数字…
我的插入符号知识已经过时了（很久没有使用它了），但它不是吗
rf.maxtrees$finalModel$ntree
？可能是使用一行代码的最佳解决方案。但是，在运行这条线之后，我得到了错误的值<代码>[1]2000

。它不应该是1000吗？对于

res$models[which.max（res$statistics$accurity[，“Mean”]）]

，我得到了空值，知道了吗，为什么吗？嗨@user1896653，很抱歉我尝试了其他东西，它应该是res=summary（resultsTree）。查看更新的答案是的，它正在工作！只是一个困惑，有没有可能一个参数的准确度是最好的，但Kappa不是？我的意思是，我们只考虑“准确性”。是否完全安全？通常，对于平衡数据集，精度和kappa非常相似。当它是不平衡的，例如80:20，你不能使用准确度，因为你预测所有的都是大多数，并且仍然有80%的准确度。Kappa可能更合适。我正在考虑何时准确度可能更好。。。通常更多的是你所需要的。。因此，它又归结为课堂的平衡，例如，如果它是60:40……但你的总体目标是正确预测，那么准确度将满足你的需要

bestMtry <- 3
control <- trainControl(method = 'repeatedcv',number = 5)
data = MASS::Pima.tr                                

storeMaxtrees <- list()
tuneGrid <- expand.grid(.mtry = bestMtry)
for (ntree in c(1000, 1500, 2000)) {
  set.seed(291)
  rf.maxtrees <- train(type ~ .,
                       data = data,
                       method = "rf",
                       metric = "Accuracy",
                       tuneGrid = tuneGrid,
                       trControl = control,
                       importance = TRUE,
                       nodesize = 14,
                       maxnodes = 24,
                       ntree = ntree)
  key <- toString(ntree)
  storeMaxtrees[[key]] <- rf.maxtrees
}
resultsTree <- resamples(storeMaxtrees)

res = summary(resultsTree)
res$models[which.max(res$statistics$Accuracy[,"Mean"])]
[1] "1500"