没有在插入符号中重新采样的 GAM 方法会产生停止错误

Question

我在 lapply 中编写了一个函数来为数据帧中响应变量向量中的每个元素拟合 GAM（带样条曲线）。我选择使用caret 来拟合模型，而不是直接使用mgcv 或gam 包，因为我希望最终将我的数据拆分为训练/测试集以进行验证并使用各种重采样技术。现在，我只是将trainControl 方法设置为'none'，如下所示：

  # Set resampling method
  # tc <- trainControl(method = "boot", number = 100)
  # tc <- trainControl(method = "repeatedcv", number = 10, repeats = 1)
  tc <- trainControl(method = "none")

  fm <- lapply(group, function(x) {
  printFormula <- paste(x, "~", inf.factors)
  inputFormula <- as.formula(printFormula)
  # Partition input data for model training and testing
  # dpart <- createDataPartition(mdata[,x], times = 1, p = 0.7, list = FALSE)
  # train <- mdata[ data.partition, ]
  # test <- mdata[ -data.partition, ]
  
  cat("Fitting:", printFormula, "\n")
  # gam(inputFormula, family = binomial(link = "logit"), data = mdata)
  train(inputFormula, family = binomial(link = "logit"), data = mdata, method = "gam",
        trControl = tc)
})

当我执行此代码时，我收到以下错误：

Error in train.default(x, y, weights = w, ...) : 
  Only one model should be specified in tuneGrid with no resampling

如果我在调试模式下重新运行代码，我可以找到caret 停止训练过程的位置：

if (trControl$method == "none" && nrow(tuneGrid) != 1) 
    stop("Only one model should be specified in tuneGrid with no resampling")

显然train 函数由于第二个条件而失败，但是当我查找tuning parameters for a GAM（带样条线）时，只有一个特征选择选项（不感兴趣，我想将所有预测变量保留在模型）和方法。因此，当我调用train 时，我不包括tuneGrid 数据框。这就是模型以这种方式失败的原因吗？我将提供什么参数以及 tuneGrid 的外观？

我应该补充一点，当我使用 bootstrapping 或 k-fold CV 时，模型已经成功训练，但是这些重采样方法需要更长的时间来计算，我还不需要使用它们。

对于这个问题的任何帮助将不胜感激！

Answer 1

对于该模型，调整网格会查看 select 参数的两个值：

> getModelInfo("gam", regex = FALSE)[[1]]$grid
function(x, y, len = NULL, search = "grid") {
   if(search == "grid") {
      out <- expand.grid(select = c(TRUE, FALSE), method = "GCV.Cp")
   } else {
      out <- data.frame(select = sample(c(TRUE, FALSE), size = len, replace = TRUE),
                         method = sample(c("GCV.Cp", "ML"), size = len, replace = TRUE))
   }
    out[!duplicated(out),]
 }

您应该使用tuneGrid = data.frame(select = FALSE, method = "GCV.Cp") 之类的东西来仅评估单个模型（如错误消息所述）。