Caret glmnet vs cv.glmnet

Здається, існує велика плутанина в порівнянні використання glmnetв рамках caretпошуку оптимальної лямбда та використання cv.glmnetтого ж завдання.

Поставлено багато питань, наприклад:

Класифікаційна модель train.glmnet vs. cv.glmnet?

Який правильний спосіб використання glmnet з каретою?

Перехресне підтвердження `glmnet` за допомогою` caret`

але відповіді не надано, що може бути пов'язано з відтворюваністю питання. Після першого запитання я навожу досить подібний приклад, але у мене є той самий запитання: Чому оцінені лямбдаї такі різні?

library(caret)
library(glmnet)
set.seed(849)
training <- twoClassSim(50, linearVars = 2)
set.seed(849)
testing <- twoClassSim(500, linearVars = 2)
trainX <- training[, -ncol(training)]
testX <- testing[, -ncol(testing)]
trainY <- training$Class

# Using glmnet to directly perform CV
set.seed(849)
cvob1=cv.glmnet(x=as.matrix(trainX),y=trainY,family="binomial",alpha=1, type.measure="auc", nfolds = 3,lambda = seq(0.001,0.1,by = 0.001),standardize=FALSE)

cbind(cvob1$lambda,cvob1$cvm)

# best parameter
cvob1$lambda.mi

# best coefficient
coef(cvob1, s = "lambda.min")


# Using caret to perform CV
cctrl1 <- trainControl(method="cv", number=3, returnResamp="all",classProbs=TRUE,summaryFunction=twoClassSummary)
set.seed(849)
test_class_cv_model <- train(trainX, trainY, method = "glmnet", trControl = cctrl1,metric = "ROC",
                             tuneGrid = expand.grid(alpha = 1,lambda = seq(0.001,0.1,by = 0.001)))


test_class_cv_model 

# best parameter
test_class_cv_model$bestTune

# best coefficient
coef(test_class_cv_model$finalModel, test_class_cv_model$bestTune$lambda)

Підводячи підсумок, оптимальні лямбдахи подаються у вигляді:

• 0,05 за допомогою cv.glmnet()

• 0,001 за допомогою train()

Я знаю, що використовувати standardize=FALSEв cv.glmnet()доцільно, але я дуже хочу порівняти обидва методи, використовуючи однакові передумови. Як основне пояснення, я вважаю, що підхід до вибірки для кожної складки може бути проблемою, але я використовую однакові насіння, і результати є зовсім іншими.

Тож я дійсно застряг у тому, чому два підходи настільки різні, хоча вони повинні бути зовсім схожими? - Я сподіваюся, що громада має деяке уявлення, у чому тут питання

Я бачу тут два випуски. По-перше, ваш навчальний набір занадто малий щодо вашого тестового набору. Як правило, ми б хотіли, щоб навчальний набір був, принаймні, порівнянний за розміром з тестовим набором. Інша примітка полягає в тому, що для перехресної перевірки ви взагалі не використовуєте тестовий набір, оскільки алгоритм в основному створює набори тестування для вас за допомогою "навчального набору". Тож вам буде краще використовувати більше даних у якості початкового навчального набору.

По-друге, 3 рази занадто мало, щоб ваше резюме було надійним. Як правило, рекомендується 5-10 складок ( nfolds = 5для cv.glmnetі number=5для caret). За допомогою цих змін я отримав однакові значення лямбда для двох методів і майже однакові оцінки:

set.seed(849)
training <- twoClassSim(500, linearVars = 2)
set.seed(849)
testing <- twoClassSim(50, linearVars = 2)
trainX <- training[, -ncol(training)]
testX <- testing[, -ncol(testing)]
trainY <- training$Class

# Using glmnet to directly perform CV
set.seed(849)
cvob1=cv.glmnet(x=as.matrix(trainX), y=trainY,family="binomial",alpha=1, 
                type.measure="auc", nfolds = 5, lambda = seq(0.001,0.1,by = 0.001),
                standardize=FALSE)

cbind(cvob1$lambda,cvob1$cvm)

# best parameter
cvob1$lambda.min

# best coefficient
coef(cvob1, s = "lambda.min")


# Using caret to perform CV
cctrl1 <- trainControl(method="cv", number=5, returnResamp="all",
                       classProbs=TRUE, summaryFunction=twoClassSummary)
set.seed(849)
test_class_cv_model <- train(trainX, trainY, method = "glmnet", 
                             trControl = cctrl1,metric = "ROC",
                             tuneGrid = expand.grid(alpha = 1,
                                                    lambda = seq(0.001,0.1,by = 0.001)))

test_class_cv_model 

# best parameter
test_class_cv_model$bestTune

# best coefficient
coef(test_class_cv_model$finalModel, test_class_cv_model$bestTune$lambda)

Результат:

> cvob1$lambda.min
[1] 0.001

> coef(cvob1, s = "lambda.min")
8 x 1 sparse Matrix of class "dgCMatrix"
1
(Intercept) -0.781015706
TwoFactor1  -1.793387005
TwoFactor2   1.850588656
Linear1      0.009341356
Linear2     -1.213777391
Nonlinear1   1.158009360
Nonlinear2   0.609911748
Nonlinear3   0.246029667

> test_class_cv_model$bestTune
alpha lambda
1     1  0.001

> coef(test_class_cv_model$finalModel, test_class_cv_model$bestTune$lambda)
8 x 1 sparse Matrix of class "dgCMatrix"
1
(Intercept) -0.845792624
TwoFactor1  -1.786976586
TwoFactor2   1.844767690
Linear1      0.008308165
Linear2     -1.212285068
Nonlinear1   1.159933335
Nonlinear2   0.676803555
Nonlinear3   0.309947442