Интерфейс формулы против матрицы в карете (svm) с преобразованием Йо-Джонсона

Question

Это пример кода, который воспроизводит мою проблему.На самом деле у меня гораздо больший набор данных с большим количеством переменных.

Я пытаюсь использовать каретку (train) для запуска некоторых моделей SVM.Я обнаружил, что при использовании матричного интерфейса я получаю разные результаты по сравнению с интерфейсом формулы.Похоже, что во время предварительной обработки матрицы преобразование Йео-Джонсона не применяется к фиктивной переменной, где, как в интерфейсе формулы, оно есть.

Далее при попытке прогнозирования с использованием интерфейса матрицы оно не работает.

То, что я хотел бы сделать, это получить одинаковый результат от обоих методов и понять, почему в настоящее время существует дискретность!

library(kernlab)
library(caret)

# Normal version of sample data with 1 numeric and 1 factor variable.
trainset <- data.frame( 
  class=factor(c("Good",    "Bad",   "Good", "Good", "Bad",  "Good", "Good", "Good", "Good", "Bad",  "Bad",  "Bad")),
  age=c(67,  22, 49, 45, 53, 35, 53, 35, 61, 28, 25, 24),
  hair = c("Brown", "Black","Brown", "Black","Brown", "Black","Brown", "Black","Brown", "Black","Brown", "Black"))

trainset.class = trainset$class

testset <- data.frame( 
  class=factor(c("Good",    "Bad",   "Good"  )),
  age=c(64,   23, 50),
  hair = c("Brown", "Brown","Black"))

testset.class = testset$class

# Dummified version of sample with full rank = T
Formula = dummyVars("~.",data=trainset[,-1], fullRank=T)

dummy.trainset = as.data.frame(predict(Formula,trainset))%>%
  cbind(trainset.class)

Formula.test = dummyVars("~.",data=testset[,-1], fullRank=T)

dummy.testset = as.data.frame(predict(Formula.test,testset))%>%
  cbind(testset.class)

# Now run modelling with formula and matrix interfaces on DUMMIFIED VERSION as svm needs this variables dummy coded.

set.seed(1)
svmFit.matrix <- train(x = select(dummy.trainset,-trainset.class), y = trainset.class,
                method = "svmRadial",
                preProc = c("center", "scale", "YeoJohnson"),
                tuneLength = 3,
                trControl = trainControl(method = "cv", classProbs = TRUE))
svmFit.matrix

set.seed(1)
svmFit.formula <- train(trainset.class~.,
                        data = dummy.trainset,
                       method = "svmRadial",
                       preProc = c("center", "scale", "YeoJohnson"),
                       tuneLength = 3,
                       trControl = trainControl(method = "cv", classProbs = TRUE))

svmFit.formula


### predict probablities using formula and matrix interface

predictedProbs.matrix <- predict(svmFit.matrix, dummy.testset , type = "prob")
head(predictedProbs.matrix)

predictedProbs.formula <- predict(svmFit.formula, dummy.testset , type = "prob")
head(predictedProbs.formula)