R中交叉验证和调整的径向SVM分类

我正在创建一个径向SVM分类模型，我想对其执行5倍CV并对其进行调整。我已经看到了其他人是如何做到这一点的。但是，我的代码不希望实现我的调优网格。此外，我不明白为什么在明确训练模型时无法获得精度或F1值

具有5倍CV

library(caret)
set.seed(500)
ctrl <- trainControl(method = "repeatedcv",
                      number = 5,
                      repeats = 3, 
                      classProb=T,
                      summaryFunction = twoClassSummary
                     )
sigma<-c(2^-15,2^-13,2^-11,2^-9,2^-7,2^-5,2^-3,2^-1,2^1,2^2,2^3)
C<-c(2^-5,2^-3,2^-1,2^1,2^2,2^3,2^5,2^7,2^9,2^11,2^13)
tuninggrid<-data.frame(expand.grid(sigma,C))

mod <- train(x = iris[-5], y=iris$Species,
             method = "svmRadial", 
             trControl = ctrl,
             metric=c('ROC'),
             tunegrid=tuninggrid

库（插入符号）
种子集（500）
ctrl代码中有几个小错误：

如果您想使用ROC下的面积作为度量，您需要像以前那样指定
twoClassSummary
，但是您的响应变量也应该是二进制的。例如：
train(..., y = factor(ifelse(iris$Species=="setosa", "setosa", "other")), ...)


如果要使用精度作为度量，请使用
defaultSummary
而不是
twoClassSummary

如果
查看（tuninggrid）
您将看到它的列名是Var1和Var2，而它们应该是C和sigma。您可以修复其定义：

tuninggrid <- expand.grid(sigma=sigma,C=C)

乍一看，你看过str（mod）和summary（mod）了吗？还有，我记得这是怎么回事，你要求简历做5次，而不是你创造了5倍的简历。那么，你会如何解决这个问题呢？如果你没有得到答案，我会尝试稍后给出更多细节。然而，如果你用谷歌搜索相关术语，你会发现网上有很多插入符号文档。老实说，为了你自己的启发，这是最好的程序。我建议你阅读，你所有的问题都应该得到回答。如果仍有疑问，请发布问题的更新。但是，您如何同时获得准确度、ROC和F1？或者你只能做一个或另一个？你优化的目标函数应该是一维的。否则，您将如何决定哪个选项在（Acc=0.81，AUC=0.95，F1=0.87）和（Acc=0.95，AUC=0.87，F1=0.81）之间最好？所以最好是选择其中一个，如果真的有必要，你仍然可以建立自己的性能指标。好的。这是有道理的。因此，如果我想最大限度地提高准确性，我不会定义twoClassSummary部分。但我想一定有办法获得AUC和F1？现在我更了解你的评论。。。我已经编辑了回答。为了跟进，我在培训中选择的指标是“AUC”，而不是“ROC”，在
视图（mod$results）
中，我假设我使用的是AUC值，而不是它产生的ROC值？