Тренировка каретки с использованием auto_arima_model приводит к «Ошибка: пожалуйста, используйте имена столбцов для` x` » - PullRequest
Новая
       6

Тренировка каретки с использованием auto_arima_model приводит к «Ошибка: пожалуйста, используйте имена столбцов для` x` »

0 голосов
/ 05 апреля 2020

Документация здесь

https://rdrr.io/github/sfeuerriegel/caret.ts/man/auto_arima_model.html

library(caret)

# without exogenous variables

library(forecast)
data(WWWusage) # from package "forecast"
df <- data.frame(y = as.numeric(WWWusage))
df$y

lm <- train(y ~ 1, data = df, method = "lm", trControl = trainDirectFit())
summary(lm)
RMSE(predict(lm, df), df)

arima <- train(y ~ 1, data = df, method = auto_arima_model(), trControl = trainDirectFit())

ИЛИ https://rdrr.io/github/sfeuerriegel/caret.ts/man/train.ts.html

library(caret)

library(forecast)
data(WWWusage)

class(WWWusage)
str(WWWusage)

arima <- train(WWWusage, method = auto_arima_model(), trControl = trainDirectFit())

Ошибка 

Error: Please use column names for `x`

1 Ответ

1 голос
/ 05 апреля 2020

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

...