包装器normalizeFeatures在验证集中的行为如何？
包装器normalizeFeatures在验证集中的行为如何？
提问于 2019-11-14 13:31:58
我想知道normalizeFeatures函数是如何与重采样策略一起工作的。这些说法中哪一条是正确的？
- 整个任务数据是标准化的
- 训练数据是标准化的，并且使用标准化的参数(例如，类标准化中的均值和sd )来规范验证数据(
mlrCPO::retrafo在某种程度上所做的)。
谢谢你的帮助!
回答 1
Stack Overflow用户
回答已采纳
发布于 2019-11-14 14:31:10
函数normalizeFeatures()可以在data.frame和Task对象上调用。在这两种情况下，它的作用都是一样的。它只是使整个任务正常化。因此，陈述1)是正确的。
如果您想实现第二步，您有两个选择：
( a) preprocWrapperCaret
包装器将放置训练和预测的缩放信息。对于训练，缩放参数将被保存和应用。对于预测，将应用保存的缩放参数。
library(mlr)
lrn = makeLearner("classif.svm")
lrn = makePreprocWrapperCaret(lrn, ppc.center = TRUE, ppc.scale = TRUE)
set.seed(1)
res = resample(lrn, iris.task, resampling = hout, models = TRUE)
# the scaling parameters learnt on the training spit
res$models[[1]]$learner.model$control$meanSepal.Length Sepal.Width Petal.Length Petal.Width
5.831 3.030 3.782 1.222 res$models[[1]]$learner.model$control$stdSepal.Length Sepal.Width Petal.Length Petal.Width
0.8611356 0.4118203 1.7487877 0.7710127 ( b) mlrCPO
更优雅和灵活的方法是使用mlrCPO包构建一个预处理管道，在这种情况下，它的效果与包装器相同。
library(mlr)
library(mlrCPO)
lrn = cpoScale(center = TRUE, scale = TRUE) %>>% makeLearner("classif.svm")
set.seed(1)
res = resample(lrn, iris.task, resampling = hout, models = TRUE)
# the scaling parameters learnt on the training spit
res$models[[1]]$learner.model$retrafo$element$state$center
Sepal.Length Sepal.Width Petal.Length Petal.Width
5.831 3.030 3.782 1.222
$scale
Sepal.Length Sepal.Width Petal.Length Petal.Width
0.8611356 0.4118203 1.7487877 0.7710127 我设置了种子，以获得相同的训练分割为两种情况，以便学习的尺度参数是相同的两种方法。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/58857984
复制相关文章
相似问题
腾讯云开发者
