R 检索插入符号中保持折叠的预测

我想知道如何恢复交叉验证预测。我感兴趣的是手动构建堆叠模型（），我需要模型对每个保持褶皱的预测。我附上一个简短的例子

# load the library
library(caret)
# load the iris dataset
data(cars)
# define folds
cv_folds <- createFolds(cars$Price, k = 5, list = TRUE)
# define training control
train_control <- trainControl(method="cv", index = cv_folds, savePredictions = 'final')
# fix the parameters of the algorithm
# train the model
model <- caret::train(Price~., data=cars, trControl=train_control, method="gbm", verbose = F)
# looking at predictions
model$pred

# verifying the number of observations
nrow(model$pred[model$pred$Resample == "Fold1",])
nrow(cars)

#加载库
图书馆（插入符号）
#加载iris数据集
数据（汽车）
#定义褶皱
cv_folds使用
createFolds
函数创建的折叠执行插入符号cv时，默认情况下使用序列索引。所以当你这么做的时候：

cv_folds <- createFolds(cars$Price, k = 5, list = TRUE)

每个都包含20%的数据

然后您在trainControl中指定了这些折叠：

train_control <- trainControl(method="cv", index = cv_folds, savePredictions = 'final')

返回643

你应该做的是：

cv_folds <- createFolds(cars$Price, k = 5, list = TRUE, returnTrain = TRUE)

培训完模特后：

nrow(model$pred[model$pred$Resample == "Fold1",])
#output
160

你可能想看看我已经看到了这个答案，然而，我对此有些怀疑。当我运行
子集（model$pred，Resample==“Fold01”）
时，我获得了一个大小等于9倍的data.frame，用于估算。然而，我想得到的是相反的结果，10%的数据预测没有用于估计。@abu这是错误的：从你的例子来看：
nrow（model$pred[model$pred$Resample==“Fold01”，]）
是80，而
nrow（cars）
是80804@missuse你是对的，我确实没有对可复制的例子进行验证，但在我更复杂的问题上。在这种情况下，我得到了我在前面的评论中提到的问题。通过将您的代码应用于我的5倍简历，我获得了相当于80%的培训数据。@missue我编辑了这个问题，使其与我的案例更为相似，而不是它显示了我对80%数据的意思。顺便问一下，您知道为什么当我筛选“Fold05”时，我会获得“Fold01”（由我生成）中的索引吗？我的意思是为什么会有某种偏移。@abu，我不是不理解你，就是你不正确。当我运行时：
lappy（唯一（model$pred$Resample），函数（x）{sum（model$pred$rowIndex[model$pred$Resample==x]%在%model$pred$rowIndex[model$pred$Resample！=x]）
我得到所有0，因此，如果你能发布另一个问题，并举例说明这个问题，我很乐意尝试回答。我认为我们彼此不理解。我发布了另一个问题：。如果能得到进一步的帮助，我将不胜感激：）@missue太好了，只有一个问题：这些预测不是已经由$finalModel中的caret模型对象给出了吗？@agilebean预测在
model$pred
中<代码>$finalModel

包含使用最佳调整参数的所有列车数据上的实际安装模型。

cv_folds <- createFolds(cars$Price, k = 5, list = TRUE, returnTrain = TRUE)

lengths(cv_folds)
#output
Fold1 Fold2 Fold3 Fold4 Fold5 
  644   643   642   644   643 

nrow(model$pred[model$pred$Resample == "Fold1",])
#output
160