我想知道当我们使用Bagging进行分类时，可以调整哪些参数以及是否可以使用交叉验证来调整它？
在 Bagging function in R ，它说我们可以使用 nbagg 来更改引导复制的数量。并使用rpart.control .
这是我的代码
装袋(收入~.,data=training3,coob=T)
最佳答案
何时在分类中使用 bagging？
装袋本质上是从单个训练集中重复采样，以生成 x 个不同的引导训练数据集。然后，我们在这些训练集上训练我们的方法，并在回归的情况下对所有预测进行平均，在分类的情况下我们使用投票。装袋有助于减少结果的方差，因此，如果结果的方差非常大，您通常会选择装袋，但随机森林和提升技术通常优于装袋技术。
哪些参数可以调整，我们可以使用交叉验证来调整它吗？
nbagg: nbagg参数用于控制决策树投票的数量 在整体中(默认值为 25)。根据学习任务的难度和训练数据量，增加这个数字可能会提高模型的性能，但需要额外的 计算费用。
cp: cp 是复杂性参数，正确调整后会给出修剪树，复杂性参数 (cp) 用于控制决策树的大小并选择最佳树大小。如果从当前节点向决策树添加另一个变量的成本高于 cp 的值，则树构建不会继续，您可以点击并尝试绘制它，看看什么适合您。
我们可以使用交叉验证吗？
是的，你可以，但是你应该使用插入符包来做到这一点(只是为了让你的生活变得简单)
library(caret)
set.seed(1729)
cntrl <- trainControl(method = "cv", number = 10)
train(dependent_variable ~ ., data = mydata, method = "treebag",
trControl = cntrl)
关于r - 如何调整R中Bagging的参数？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/47725938/