Для первой ошибки вы должны проверить здесь . В основном это говорит о том, что если вы хотите подогнать модель без какой-либо экзогенной переменной, это правильный синтаксис:
# packages
library(caret)
#> Loading required package: lattice
#> Loading required package: ggplot2
nullModel(y = WWWusage)
#> Null Classification Model
#>
#> Call:
#> nullModel.default(y = WWWusage)
#>
#> Predicted Value: 137.08
Создано в 2020-04-05 пакетом prex (v0.3.0)
Здесь автор написал, что: caret
содержит модельную функцию с именем nullModel
, которая соответствует простой модели, которая не зависит от каких-либо предикторов. , Для задач, где результат равен цифре c, функция прогнозирует каждую выборку, используя простое среднее значение результатов обучающего набора. Для классификации модель прогнозирует все выборки, используя наиболее распространенный класс в обучающих данных.
Вероятно, существует другая проблема, связанная с тем, что auto_arima
не является одной из моделей, доступных с caret
. Вы можете проверить список всех доступных моделей с помощью
sort(names(caret::getModelInfo()))
#> [1] "ada" "AdaBag" "adaboost"
#> [4] "AdaBoost.M1" "amdai" "ANFIS"
#> [7] "avNNet" "awnb" "awtan"
#> [10] "bag" "bagEarth" "bagEarthGCV"
#> [13] "bagFDA" "bagFDAGCV" "bam"
#> [16] "bartMachine" "bayesglm" "binda"
#> [19] "blackboost" "blasso" "blassoAveraged"
#> [22] "bridge" "brnn" "BstLm"
#> [25] "bstSm" "bstTree" "C5.0"
#> [28] "C5.0Cost" "C5.0Rules" "C5.0Tree"
#> [31] "cforest" "chaid" "CSimca"
#> [34] "ctree" "ctree2" "cubist"
#> [37] "dda" "deepboost" "DENFIS"
#> [40] "dnn" "dwdLinear" "dwdPoly"
#> [43] "dwdRadial" "earth" "elm"
#> [46] "enet" "evtree" "extraTrees"
#> [49] "fda" "FH.GBML" "FIR.DM"
#> [52] "foba" "FRBCS.CHI" "FRBCS.W"
#> [55] "FS.HGD" "gam" "gamboost"
#> [58] "gamLoess" "gamSpline" "gaussprLinear"
#> [61] "gaussprPoly" "gaussprRadial" "gbm"
#> [64] "gbm_h2o" "gcvEarth" "GFS.FR.MOGUL"
#> [67] "GFS.LT.RS" "GFS.THRIFT" "glm"
#> [70] "glm.nb" "glmboost" "glmnet"
#> [73] "glmnet_h2o" "glmStepAIC" "gpls"
#> [76] "hda" "hdda" "hdrda"
#> [79] "HYFIS" "icr" "J48"
#> [82] "JRip" "kernelpls" "kknn"
#> [85] "knn" "krlsPoly" "krlsRadial"
#> [88] "lars" "lars2" "lasso"
#> [91] "lda" "lda2" "leapBackward"
#> [94] "leapForward" "leapSeq" "Linda"
#> [97] "lm" "lmStepAIC" "LMT"
#> [100] "loclda" "logicBag" "LogitBoost"
#> [103] "logreg" "lssvmLinear" "lssvmPoly"
#> [106] "lssvmRadial" "lvq" "M5"
#> [109] "M5Rules" "manb" "mda"
#> [112] "Mlda" "mlp" "mlpKerasDecay"
#> [115] "mlpKerasDecayCost" "mlpKerasDropout" "mlpKerasDropoutCost"
#> [118] "mlpML" "mlpSGD" "mlpWeightDecay"
#> [121] "mlpWeightDecayML" "monmlp" "msaenet"
#> [124] "multinom" "mxnet" "mxnetAdam"
#> [127] "naive_bayes" "nb" "nbDiscrete"
#> [130] "nbSearch" "neuralnet" "nnet"
#> [133] "nnls" "nodeHarvest" "null"
#> [136] "OneR" "ordinalNet" "ordinalRF"
#> [139] "ORFlog" "ORFpls" "ORFridge"
#> [142] "ORFsvm" "ownn" "pam"
#> [145] "parRF" "PART" "partDSA"
#> [148] "pcaNNet" "pcr" "pda"
#> [151] "pda2" "penalized" "PenalizedLDA"
#> [154] "plr" "pls" "plsRglm"
#> [157] "polr" "ppr" "PRIM"
#> [160] "protoclass" "qda" "QdaCov"
#> [163] "qrf" "qrnn" "randomGLM"
#> [166] "ranger" "rbf" "rbfDDA"
#> [169] "Rborist" "rda" "regLogistic"
#> [172] "relaxo" "rf" "rFerns"
#> [175] "RFlda" "rfRules" "ridge"
#> [178] "rlda" "rlm" "rmda"
#> [181] "rocc" "rotationForest" "rotationForestCp"
#> [184] "rpart" "rpart1SE" "rpart2"
#> [187] "rpartCost" "rpartScore" "rqlasso"
#> [190] "rqnc" "RRF" "RRFglobal"
#> [193] "rrlda" "RSimca" "rvmLinear"
#> [196] "rvmPoly" "rvmRadial" "SBC"
#> [199] "sda" "sdwd" "simpls"
#> [202] "SLAVE" "slda" "smda"
#> [205] "snn" "sparseLDA" "spikeslab"
#> [208] "spls" "stepLDA" "stepQDA"
#> [211] "superpc" "svmBoundrangeString" "svmExpoString"
#> [214] "svmLinear" "svmLinear2" "svmLinear3"
#> [217] "svmLinearWeights" "svmLinearWeights2" "svmPoly"
#> [220] "svmRadial" "svmRadialCost" "svmRadialSigma"
#> [223] "svmRadialWeights" "svmSpectrumString" "tan"
#> [226] "tanSearch" "treebag" "vbmpRadial"
#> [229] "vglmAdjCat" "vglmContRatio" "vglmCumulative"
#> [232] "widekernelpls" "WM" "wsrf"
#> [235] "xgbDART" "xgbLinear" "xgbTree"
#> [238] "xyf"
Создано в 2020-04-05 с помощью пакета Представить (v0.3.0)
Вы также можете добавить новые модели в этот список, следуя инструкциям, приведенным здесь: http://topepo.github.io/caret/using-your-own-model-in-train.html