r caret 包，如果我为 rfe 控制和列车控制指定索引则出错

Question

当我为 rfe.control 和 train.control 指定索引时出现错误

为了制作 glmnet rfe 函数，我编写了代码

glmnetFuncs <- caretFuncs #Default caret functions

glmnetFuncs$summary <-  twoClassSummary

为rfe.control指定索引

MyRFEcontrol <- rfeControl(
  method="LGOCV",
  number=5,
  index=RFE_CV_IN,
  functions = glmnetFuncs,
  verbose = TRUE)

为train.control指定索引

MyTrainControl=trainControl(
  method="LGOCV",
  index=indexIN,
  classProbs = TRUE,
  summaryFunction=twoClassSummary
)

由于数据量大，我只是随机选择3列以确保它有效，

x=train_v_final4[,c(1,30,55)]
y=TARGET


RFE <- rfe(x=x,y=y,sizes = seq(2,3,by=1),
           metric = 'ROC',maximize=TRUE,rfeControl = MyRFEcontrol,
           method='glmnet',
          # tuneGrid = expand.grid(.alpha=c(0,0.1,1),.lambda=c(0.1,0.01,0.05)),
           trControl = MyTrainControl)

但是我有一个错误说

**model fit failed for a: alpha=0.10, lambda=3 Error in if (!all(o)) { : missing value where TRUE/FALSE needed**

我尝试了所有其他可能的方法。

1. 在 rfe.control 和 train.Control 中指定索引，

2. 在 rfe.control 中指定索引但不在 train.control 中指定索引，

3. 在 train.control 中指定索引但不在 rfe.control 中指定索引。

但是，它们都不起作用。但是如果我在 train() 函数中使用这些索引列表，它就可以正常工作。有谁知道我需要修复什么？非常感谢任何评论/想法!

详细信息

> nearZeroVar(x[indexIN[[1]],])
integer(0) #other results (nearZeroVar(x[indexIN[[2]],])..etc...)are omitted since the             outputs are identical. 

> cor(x[indexIN[[1]],])
                         id category_q total_spent_90
id             1.0000000000  0.0300781   0.0001837173
category_q     0.0300781045  1.0000000   0.4102276754
total_spent_90 0.0001837173  0.4102277   1.0000000000

> nearZeroVar(x[RFE_CV_IN[[1]],])
integer(0)

> cor(x[RFE_CV_IN[[1]],])
                          id  category_q total_spent_90
id              1.0000000000 0.002903591  -0.0004827006
category_q      0.0029035912 1.000000000   0.9612495056
total_spent_90 -0.0004827006 0.961249506   1.0000000000


> str(RFE_CV_IN)
List of 20
 $ Resample01: int [1:28670] 8 12 35 39 47 51 55 66 71 76 ...
 $ Resample02: int [1:28670] 1 5 7 38 39 49 55 76 91 100 ...
 $ Resample03: int [1:28670] 1 5 7 8 18 30 38 39 49 63 ...
 $ Resample04: int [1:28670] 9 12 18 24 30 35 38 39 49 51 ...
 $ Resample05: int [1:28670] 8 30 47 49 51 63 71 76 77 92 ...
 $ Resample06: int [1:28670] 1 18 30 39 49 55 63 66 71 77 ...
 $ Resample07: int [1:28670] 5 18 24 25 51 76 91 101 112 116 ...
 $ Resample08: int [1:28670] 1 5 7 12 24 25 38 39 49 51 ...
 $ Resample09: int [1:28670] 8 18 24 25 38 49 51 76 101 113 ...
 ....omit rest...

> str(indexIN)
List of 20
 $ Resample01: int [1:64024] 1 6 11 12 14 15 17 19 20 22 ...
 $ Resample02: int [1:64024] 8 11 13 14 18 19 21 22 24 25 ...
 $ Resample03: int [1:64024] 1 3 4 6 11 13 14 15 16 21 ...
 $ Resample04: int [1:64024] 3 9 11 12 13 14 22 24 26 28 ...
.....omit rest

Answer 1

问题可能是外部函数 (rfe) 使用与原始数据相同的行指示符，但是一旦 train 看到数据，那些行号就不会了不是同一个意思。

假设您有 100 个数据点并且正在做 10 倍 CV，第一倍是 1-10，第二倍是 11-20 等等。

在第一次折叠时，rfe 将第 11-100 行传递给 train。如果 train 中的 index 向量有任何索引 > 90，就会出错。如果不是，它可能会运行但不会与您最初告诉 train 使用的行一起运行。

你可以这样做，但它需要为外部模型的每次重采样(即 ref)单独设置一组重采样索引，因为每次内部数据都会不同。此外，如果您进行自举，则需要非常小心，因为它会通过替换进行采样；如果不是，您的模型构建数据和保留数据可能包含完全相同的记录。

如果您真的想要可重现/可追溯性，请在 rfeControl 和 trainControl 中设置种子。我很确定您会在不同的运行中获得相同的重采样(只要数据集和重采样方法在运行中保持相同)。

最大