基于重采样的caret性能度量

我执行惩罚逻辑回归，并用插入符号（glmnet）训练模型

model\u-fit
model_fit$results$ROC
是重采样性能度量平均值的向量（大小等于我的调整参数
lambda
）吗

是的；精确地说，长度将等于
tuneGrid
的行数，这里正好与
lambdaSeq
的长度一致（因为唯一的其他参数
alpha
保持不变）

下面是一个快速示例，改编自（使用
gbm
和
精度
度量，但想法相同）：

库（插入符号）
图书馆（mlbench）
数据（声纳）
种子集（998）
内衬
model_fit$results$ROC
是重采样性能度量平均值的向量（大小等于我的调整参数
lambda
）吗

是的；精确地说，长度将等于
tuneGrid
的行数，这里正好与
lambdaSeq
的长度一致（因为唯一的其他参数
alpha
保持不变）

下面是一个快速示例，改编自（使用
gbm
和
精度
度量，但想法相同）：

库（插入符号）
图书馆（mlbench）
数据（声纳）
种子集（998）
在训练中考虑看<代码>模型>拟合结果$< /代码>它应该是自解释的。通常，插入符号始终显示通过重新采样获得的性能度量。为了获得更详细的答案，我建议您提供具有内置数据集和列车控制参数的可重复代码。考虑查看<代码>模型>拟合结果$ <代码>，它应该是自解释的。通常，插入符号始终显示通过重新采样获得的性能度量。为了得到更详细的答案，我建议您提供具有内置数据集和列车控制参数的可复制代码。