286
правок
Изменения
Pipelearner: 3 пункт + summary
#: Например, вызов <code>learn_curves(.5, .75, 1)</code> создаст $3$ сценария работы: в первом будет взята первая половина выбоки, во втором {{---}} первые $\frac{3}{4}$ объектов, и в третьем {{---}} вся выборка. Авторы пакета утрверждают, что брать случайные объекты выборки не имеет смысла, потому что выборка уже случайно разбита с помощью <code>learn_cvpairs()</code>.
#* <code>learn_models()</code> предназначен для добавления новых обучающих моделей.
# '''Обучение'''
#: С помощью функции <code>learn()</code> все сконструированные ранее модели обучаются и выдается таблица результатов работы
В итоге работа с пакетом выглядит примерно так:
<font color="gray"># Load the dependencies</font>
library(pipelearner)
library(dplyr)
iris %>% <font color="gray"># Use iris dataset</font>
pipelearner() %>% <font color="gray"># Initialize a blank pipelearner object</font>
learn_cvpairs(crossv_mc, <font color="#660099">n</font> = <font color="blue">50</font>) %>% <font color="gray"># Creating 50 random cross-validation pairs </font>
learn_curves(seq(<font color="blue">.5</font>, <font color="blue">1</font>, <font color="#660099">by</font> = <font color="blue">.1</font>)) %>% <font color="gray"># Copy each cv-pair to be fitted in sample size proportions of .5 to 1 in increments of .1.</font>
learn_models(lm, Sepal.Width ~ .*.) %>% <font color="gray"># Use regression modell</font>
learn_models(rpart::rpart, Sepal.Width ~ .) %>% <font color="gray"># Use decision tree modell</font>
learn() <font color="gray"># Fit all models on all partitions and return the results</font>
Пакет хорошо документирован, все непонятные моменты можно прояснить, просто изучив структуру объекта на каждом этапе работы алгоритма.
