使用RANGER计算多分类混淆矩阵时出错
我正在计算一个非常大的数据帧的多分类问题的混淆矩阵，它被划分和缩放为Train_Scale和Test_Scale(Train Set的Scale用于规模测试)集。 Ranger用于建模： set.seed(123) library(ranger) library(caret) Class.ranger
..
r-ranger相关内容
使用RANGER计算多分类混淆矩阵或对合表时出错
我正在调用Ranger来为一个大型混合数据帧(其中一些分类变量具有超过53个级别)的多分类问题建模。训练和测试运行没有任何问题。然而，解释混淆矩阵/合同表会出现问题。 我用虹膜数据来解释我面临的困难，把物种当作分类变量， library(ranger) library(caret) # Data idx = sample(nrow(iris),100) data = iris #
..
使用相同任务的 svm 和 ranger 的不同运行时
我对两个学习器的运行时间进行了基准测试，并在 {ranger} 和 {svm} 进行训练时截取了 {htop} 的两个屏幕截图，以使我的观点更加清晰.正如这篇文章的标题所述，我的问题是为什么 svm 中的训练/预测与其他学习者(在本例中为 ranger)相比如此慢?是否与学习者的底层结构有关?或者我在代码中犯了错误?或者...?任何帮助表示赞赏. 游侠训练时的htop；使用所有线程.
..
R ranger 包中的预测概率
我正在尝试使用随机森林分类在 R 中构建模型.(通过 Ned Horning 编辑代码)我首先使用了 randomForest 包，但后来发现了 ranger，它保证了更快的计算. 起初，我使用下面的代码在用 randomForest 拟合模型后得到每个类的预测概率: predProbs 这里的概率类型如下: 我们在模型中有 500 棵树，其中 250 棵树表示观察结果为 1 类
..
R游侠confusion.matrix大于使用expand.grid和purrr :: pmap时的假定值
很抱歉，今天所有与purrr相关的问题，仍在设法弄清楚如何有效地使用它. 因此，在SO的一些帮助下，我设法根据来自data.frame的输入值来运行随机森林巡游者模型.这可以使用purrr::pmap完成.但是，我不明白如何从调用的函数生成返回值.考虑以下示例: library(ranger) data(iris) Input_list
..
混淆矩阵的构造
我对以下链接中的混淆矩阵的构造有疑问:例如，如果我有以下代码(如链接中的答案所解释): library(ranger) library(caret) idx = sample(nrow(iris),100) data = iris data$Species = factor(ifelse(data$Species=="versicolor",1,0)) Train_Set = data[i
..