Карет глмнет против cv.glmnet

Кажется, существует большая путаница при сравнении использования glmnetвнутри caretдля поиска оптимальной лямбды и использования cv.glmnetдля выполнения той же задачи.

Было задано много вопросов, например:

Модель классификации train.glmnet против cv.glmnet?

Как правильно использовать glmnet с кареткой?

Перекрестная проверка `glmnet` с использованием` caret`

но ответа не дано, что может быть связано с воспроизводимостью вопроса. Следуя первому вопросу, я привожу довольно похожий пример, но у меня все тот же вопрос: почему оценочные лямбды такие разные?

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)

Подводя итог, оптимальные лямбды даны как:

• 0.055 с помощью cv.glmnet()

• 0,001 с помощью train()

Я знаю, что использование standardize=FALSEв cv.glmnet()не рекомендуется, но я действительно хочу сравнить оба метода, используя одни и те же предпосылки. В качестве основного объяснения, я думаю, что подход выборки для каждого сгиба может быть проблемой - но я использую одни и те же семена, и результаты совершенно разные.

Так что я действительно застрял на том, почему эти два подхода настолько различны, в то время как они должны быть очень похожими? - Я надеюсь, что у сообщества есть идея, в чем здесь проблема

Я вижу два вопроса здесь. Во-первых, ваш тренировочный набор слишком мал по сравнению с вашим тестовым набором. Обычно мы хотели бы обучающий набор, который по крайней мере сопоставим по размеру с тестовым набором. Еще одно замечание: для перекрестной проверки вы вообще не используете набор тестирования, поскольку алгоритм в основном создает наборы тестирования для вас, используя «обучающий набор». Так что вам лучше использовать больше данных в качестве начального тренировочного набора.

Во-вторых, 3 раза слишком мало, чтобы ваше резюме было надежным. Обычно рекомендуется 5-10 сгибов ( nfolds = 5для cv.glmnetи number=5для caret). С этими изменениями я получил одинаковые лямбда-значения для двух методов и почти идентичные оценки:

set.seed(849)
training <- twoClassSim(500, linearVars = 2)
set.seed(849)
testing <- twoClassSim(50, 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 = 5, lambda = seq(0.001,0.1,by = 0.001),
                standardize=FALSE)

cbind(cvob1$lambda,cvob1$cvm)

# best parameter
cvob1$lambda.min

# best coefficient
coef(cvob1, s = "lambda.min")


# Using caret to perform CV
cctrl1 <- trainControl(method="cv", number=5, 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)

Результат:

> cvob1$lambda.min
[1] 0.001

> coef(cvob1, s = "lambda.min")
8 x 1 sparse Matrix of class "dgCMatrix"
1
(Intercept) -0.781015706
TwoFactor1  -1.793387005
TwoFactor2   1.850588656
Linear1      0.009341356
Linear2     -1.213777391
Nonlinear1   1.158009360
Nonlinear2   0.609911748
Nonlinear3   0.246029667

> test_class_cv_model$bestTune
alpha lambda
1     1  0.001

> coef(test_class_cv_model$finalModel, test_class_cv_model$bestTune$lambda)
8 x 1 sparse Matrix of class "dgCMatrix"
1
(Intercept) -0.845792624
TwoFactor1  -1.786976586
TwoFactor2   1.844767690
Linear1      0.008308165
Linear2     -1.212285068
Nonlinear1   1.159933335
Nonlinear2   0.676803555
Nonlinear3   0.309947442