Parece haver muita confusão na comparação entre usar glmnet
dentro caret
para procurar uma lambda ideal e usar cv.glmnet
para fazer a mesma tarefa.
Muitas perguntas foram feitas, por exemplo:
Modelo de classificação train.glmnet vs. cv.glmnet?
Qual é a maneira correta de usar glmnet com cursor?
Validação cruzada de `glmnet` usando` caret`
mas nenhuma resposta foi dada, o que pode dever-se à reprodutibilidade da pergunta. Seguindo a primeira pergunta, dou um exemplo bastante semelhante, mas tenho a mesma pergunta: Por que as lambdas estimadas são tão diferentes?
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)
Para resumir, as lambdas ideais são fornecidas como:
0,055 usando
cv.glmnet()
0,001 usando
train()
Sei que usar standardize=FALSE
in cv.glmnet()
não é aconselhável, mas quero realmente comparar os dois métodos usando os mesmos pré-requisitos. Como explicação principal, acho que a abordagem de amostragem para cada dobra pode ser um problema - mas uso as mesmas sementes e os resultados são bem diferentes.
Então, eu estou realmente preocupado com o porquê das duas abordagens serem tão diferentes, embora devam ser bem parecidas. - Espero que a comunidade tenha alguma idéia de qual é o problema aqui