Estive usando o ajuste de modelo caret
, mas depois executei novamente o modelo usando o gbm
pacote. Entendo que o caret
pacote usa gbm
e a saída deve ser a mesma. No entanto, apenas um teste rápido usando data(iris)
mostra uma discrepância no modelo de cerca de 5% usando RMSE e R ^ 2 como métrica de avaliação. Eu quero encontrar o desempenho ideal do modelo usando, caret
mas execute novamente gbm
para fazer uso dos gráficos de dependência parcial. Código abaixo para reprodutibilidade.
Minhas perguntas seriam:
1) Por que estou vendo uma diferença entre esses dois pacotes, mesmo que devam ser os mesmos (eu entendo que eles são estocásticos, mas 5% é uma diferença um tanto grande, especialmente quando eu não estou usando um conjunto de dados tão bom como iris
na minha modelagem) .
2) Existem vantagens ou desvantagens em usar os dois pacotes - se sim, quais?
3) Não relacionado: usando o iris
conjunto de dados, o ideal interaction.depth
é 5, no entanto, é maior do que o que li deve ser o máximo possível, o floor(sqrt(ncol(iris)))
que seria 2. É uma regra rígida ou bastante flexível?
library(caret)
library(gbm)
library(hydroGOF)
library(Metrics)
data(iris)
# Using caret
caretGrid <- expand.grid(interaction.depth=c(1, 3, 5), n.trees = (0:50)*50,
shrinkage=c(0.01, 0.001),
n.minobsinnode=10)
metric <- "RMSE"
trainControl <- trainControl(method="cv", number=10)
set.seed(99)
gbm.caret <- train(Sepal.Length ~ ., data=iris, distribution="gaussian", method="gbm",
trControl=trainControl, verbose=FALSE,
tuneGrid=caretGrid, metric=metric, bag.fraction=0.75)
print(gbm.caret)
# caret determines the optimal model to be at n.tress=700, interaction.depth=5, shrinkage=0.01
# and n.minobsinnode=10
# RMSE = 0.3247354
# R^2 = 0.8604
# Using GBM
set.seed(99)
gbm.gbm <- gbm(Sepal.Length ~ ., data=iris, distribution="gaussian", n.trees=700, interaction.depth=5,
n.minobsinnode=10, shrinkage=0.01, bag.fraction=0.75, cv.folds=10, verbose=FALSE)
best.iter <- gbm.perf(gbm.gbm, method="cv")
print(best.iter)
# Here the optimal n.trees = 540
train.predict <- predict.gbm(object=gbm.gbm, newdata=iris, 700)
print(rmse(iris$Sepal.Length, train.predict))
# RMSE = 0.2377
R2 <- cor(gbm.gbm$fit, iris$Sepal.Length)^2
print(R2)
# R^2 = 0.9178`