在循环中提供几种方法并保存输出答案

【问题标题】：Supplying several methods in a loop and saving the output在循环中提供几种方法并保存输出
【发布时间】：2019-01-17 18:07:02
【问题描述】：

编辑：实际上查看该方法表明它只使用一种方法，我如何编写一个循环来选择一个给定方法向量的方法？！

我查看了几个问题 (Loop in R: how to save the outputs?)，但似乎无法弄清楚如何保存这些模型的输出。这是我的“功能”：

library(caret)
Control<-trainControl(method="cv",number=5)
metric<-"Accuracy"
modeler<-function(df,yname,xname,method,metric,control){
  df<-df
  methods1<-method
 f1<-as.formula(paste0(yname,"~",xname))
 for(method in methods1){
   fit<-do.call("train",list(data=quote(df),f1,metric=metric,trControl=control,
                             method=method)) 

 }
fit
}

“函数”的实现：

methods1<-c("rf","rpart")
modeler(iris,yname="Species",xname=".",method = methods1,control=Control,
        metric = metric)

现在我可以像这样保存上面的内容：

mod1<-modeler(iris,yname="Species",xname=".",method = methods1,control=Control,
        metric = metric)

然后：

sapply(mod1,"[",1)

这可行，但只返回最后一个模型，而不是最好的显示。如何优化此流程？

【问题讨论】：

试试lapply(methods1, function(met) {modeler(iris,yname="Species",xname=".",method = met,control=Control, metric = metric)})，结果现在会在一个列表中。
完美！如果您不介意，您可以将其发布为答案吗？
哦，是的！你仍然可以发帖，我会接受的。

标签： r r-caret

【解决方案1】：

以下是关键部分的简要答案。
使用 methods1 作为方法向量，可以使用 lapply 函数：

methods1<-c("rf","rpart")

#use lapply to loop through the methods
#fit will be a list of the results from modeler
fit<-lapply(methods1, function(met) {
  modeler(iris,yname="Species",xname=".",method = met,control=Control, metric = metric)
})

如果计算耗时，lapply 函数可以轻松地与parallel 包并行运行。

【讨论】：

【解决方案2】：

基于@Dave2e 的评论：这是我设法“解决”它的方法：

library(caret)
Control<-trainControl(method="cv",number=5)
metric<-"Accuracy"
modeler<-function(df,yname,xname,method,metric,control){
  df<-df
  methods1<-method
 f1<-as.formula(paste0(yname,"~",xname))
 for(method in methods1){
   fit<-do.call("train",list(data=quote(df),f1,metric=metric,trControl=control,
                             method=methods1)) 

 }
data.frame(fit$results,Type=fit$modelInfo$tags[1])
}

实施：

methods1<-c("rf","rpart")
lapply(methods1, function(met) {modeler(iris,yname="Species",xname=".",
                              method = met,control=Control, metric = metric)})

没有种子的结果：这仍然缺乏，但它确实有效；

[[1]]
  mtry  Accuracy Kappa AccuracySD    KappaSD          Type
1    2 0.9533333  0.93 0.03800585 0.05700877 Random Forest
2    3 0.9533333  0.93 0.03800585 0.05700877 Random Forest
3    4 0.9533333  0.93 0.03800585 0.05700877 Random Forest

[[2]]
    cp  Accuracy Kappa AccuracySD    KappaSD             Type
1 0.00 0.9533333  0.93 0.02981424 0.04472136 Tree-Based Model
2 0.44 0.7733333  0.66 0.14605935 0.21908902 Tree-Based Model
3 0.50 0.3333333  0.00 0.00000000 0.00000000 Tree-Based Model

【讨论】：