0
リニアSVMモデルとRBFカーネルモデルを使用してデータをテストし、Fスコアを使用して2つのスコアのどちらが良いかを調べることで、データが線形に分離可能かどうかをテストしようとしています。キャレットとRStudioの致命的なエラー
私はキャレットパッケージを使用していますが、は 'rbf'メソッドを使用し、fit.SVMLは 'svmLinear'を使用しています。
私はスクリプトの全長をリニアモデルまで実行できますが、これは問題なく実行されますが、カーネルモデルを実行するとすぐに致命的なエラーメッセージが表示され、セッションを再開する必要があります以下の添付画像。
私はコードのカーネルセクションを実行するたびにRがクラッシュする理由について誰でも提案できますか？
私のdataと私のcodeの再現可能なバージョンは、2つの冗談を与える人のためのものです！
：私は（training.data.rawの$のオーバーシュート）に分類しようとしている結果変数の型が要因である> sessionInfo()
R version 3.3.2 (2016-10-31)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows >= 8 x64 (build 9200)
locale:
[1] LC_COLLATE=English_Ireland.1252 LC_CTYPE=English_Ireland.1252 LC_MONETARY=English_Ireland.1252 LC_NUMERIC=C
[5] LC_TIME=English_Ireland.1252
attached base packages:
[1] parallel stats graphics grDevices utils datasets methods base
other attached packages:
[1] kernlab_0.9-25 doMC_1.3.4 iterators_1.0.8 foreach_1.4.3 Amelia_1.7.4 Rcpp_0.12.9 dplyr_0.5.0 pROC_1.9.1 klaR_0.6-12
[10] MASS_7.3-45 caret_6.0-73 ggplot2_2.2.1 lattice_0.20-34
loaded via a namespace (and not attached):
[1] compiler_3.3.2 nloptr_1.0.4 plyr_1.8.4 class_7.3-14 tools_3.3.2 digest_0.6.12 lme4_1.1-12 tibble_1.2
[9] nlme_3.1-128 gtable_0.2.0 mgcv_1.8-15 Matrix_1.2-7.1 DBI_0.5-1 SparseM_1.74 e1071_1.6-8 stringr_1.2.0
[17] MatrixModels_0.4-1 stats4_3.3.2 combinat_0.0-8 grid_3.3.2 nnet_7.3-12 R6_2.2.0 foreign_0.8-67 minqa_1.2.4
[25] reshape2_1.4.2 car_2.1-4 magrittr_1.5 scales_0.4.1 codetools_0.2-15 ModelMetrics_1.1.0 splines_3.3.2 assertthat_0.1
[33] pbkrtest_0.4-6 colorspace_1.3-2 labeling_0.3 quantreg_5.29 stringi_1.1.2 lazyeval_0.2.0 munsell_0.4.3
下記のとおり、私はキャレットパッケージをロードした
以下は
> str(training.data.raw)
'data.frame': 2846 obs. of 19 variables:
$ Total.Tx.Height : num 31.2 31.2 31.2 31.2 31.2 ...
$ Antenna.Tilt : int 0 0 0 0 0 0 4 4 2 2 ...
$ Antenna.Gain : num 15.9 15.9 15.9 18.2 18.2 18.2 15.9 15.9 18.8 18.8 ...
$ Ant.Vert.Beamwidth: num 10 10 10 4.4 4.4 4.4 9.6 9.6 4.3 4.3 ...
$ RTWP : num -106 -104 -105 -105 -105 ...
$ Voice.Drops : int 1 12 1 0 1 5 1 18 4 3 ...
$ Range : num 11.33 5.14 5.14 11.33 3.88 ...
$ Max.Distance : num 12.43 6.24 6.24 12.43 4.98 ...
$ Environment : Factor w/ 3 levels "Rural","Suburban",..: 1 1 1 1 1 1 1 1 1 1 ...
$ Rural : Factor w/ 2 levels "0","1": 2 2 2 2 2 2 2 2 2 2 ...
$ Suburban : Factor w/ 2 levels "0","1": 1 1 1 1 1 1 1 1 1 1 ...
$ Urban : Factor w/ 2 levels "0","1": 1 1 1 1 1 1 1 1 1 1 ...
$ Overshooting : Factor w/ 2 levels "0","1": 1 1 2 2 2 2 2 2 2 1 ...
$ OShooting : Factor w/ 2 levels "Not.Overshooting",..: 1 1 2 2 2 2 2 2 2 1 ...
$ HSUPA.Throughput : num 164 223 232 241 264 ...
$ Max.HSDPA.Users : int 10 16 9 5 8 7 14 31 8 12 ...
$ HS.DSCH.throughput: num 1975 2346 2995 3696 3894 ...
$ Max.HSUPA.Users : int 13 25 11 5 13 9 15 33 8 13 ...
$ Avg.CQI : num 16.2 18 19.4 19.7 21.8 ...
私は両方のモデルのトレーニング制御のために使用していますコードです：
ここではmetric <- "Accuracy"
train_Control <- trainControl(method = "repeatedCV",
number = 10,
repeats = 3),
classProbs = T)
私はfit.SVMKernelとfit.SVMLinear
set.seed(123)
fit.SVML <- train(Overshooting ~ Total.Tx.Height +
Antenna.Tilt +
Antenna.Gain +
Ant.Vert.Beamwidth +
RTWP +
Voice.Drops +
Range +
Max.Distance +
Rural +
Suburban +
Urban +
HSUPA.Throughput +
Max.HSDPA.Users +
HS.DSCH.throughput +
Max.HSUPA.Users +
Avg.CQI,
data = training.data.raw,
method = 'svmLinear',
preProcess = c('center','scale'),
trControl=train_Control,
tuneLength=5,
metric = metric)
set.seed(123)
fit.SVMKernel <- train(Overshooting ~ Total.Tx.Height +
Antenna.Tilt +
Antenna.Gain +
Ant.Vert.Beamwidth +
RTWP +
Voice.Drops +
Range +
Max.Distance +
Rural +
Suburban +
Urban +
HSUPA.Throughput +
Max.HSDPA.Users +
HS.DSCH.throughput +
Max.HSUPA.Users +
Avg.CQI,
data = training.data.raw,
method = 'rbf',
preProcess = c('center','scale'),
trControl=train_Control,
tuneLength=5,
metric = metric)#,
#summaryFunction=twoClassSummary)