递归特征消除和变量选择答案

【问题标题】：Recursive feature elimination and variable selection递归特征消除和变量选择
【发布时间】：2018-10-28 11:08:40
【问题描述】：

如何获取下图中每个变量的OA和Kappa值？该研究使用了使用 Caret 的 RFE

【问题讨论】：

【解决方案1】：

如果您对数据集执行rfe 进行分类，您将获得此表。看起来文章已清理并重命名了一些列名，但仅此而已。

library(caret)

data(mdrr)
mdrrDescr <- mdrrDescr[,-nearZeroVar(mdrrDescr)]
mdrrDescr <- mdrrDescr[, -findCorrelation(cor(mdrrDescr), .8)]

set.seed(1)
inTrain <- createDataPartition(mdrrClass, p = .75, list = FALSE)[,1]

train <- mdrrDescr[ inTrain, ]
test  <- mdrrDescr[-inTrain, ]
trainClass <- mdrrClass[ inTrain]
testClass  <- mdrrClass[-inTrain]

set.seed(2)
ctrl <- rfeControl(functions = rfFuncs,method = "cv",number = 5, verbose = FALSE)

rf_profile <- rfe(train, trainClass,
                  ntree = 50,
                  rfeControl = ctrl)

rf_profile$results 包含您可以在表格中看到的结果。

rf_profile$results
  Variables  Accuracy     Kappa AccuracySD   KappaSD
1         4 0.7355696 0.4599432 0.06290770 0.1274150
2         8 0.7934494 0.5736408 0.08328405 0.1725036
3        16 0.8060759 0.6011138 0.05961418 0.1222687
4        61 0.8260759 0.6411303 0.07101790 0.1483737

如果你想要这些变量的名字，你可以像这样得到它们

rf_profile$optVariables[rf_profile$results$Variables]
[1] "VRA1"     "TI2"      "Xt"       "G.O..Cl."

【讨论】：

对不起，我应该更清楚的。我已经运行了模型并找到了结果表。我想知道这项研究如何发现单个变量的 OA 和 Kappa 值。
@MSilvy，您可以在问题中添加指向该研究的链接吗？我感觉 OA 和 Kappa 只是结果表中的值
当然-我不知道如何添加 PDF，研究是这个：Ghosh, A., & Joshi, P. K. (2014)。使用非常高分辨率的 WorldView 2 图像在恒河下游平原绘制竹片的选定分类算法的比较。国际应用地球观测和地理信息杂志，26, 298-311。
当然-我不知道如何添加 PDF，研究是这个：Ghosh, A., & Joshi, P. K. (2014)。使用非常高分辨率的 WorldView 2 图像在恒河下游平原绘制竹片的选定分类算法的比较。国际应用地球观测和地理信息杂志，26, 298-311。