### R代码从vignette源的MLint_devel。Rnw ' ################################################### ### 代码块1号:路 ################################################### 库(MLInterfaces) getClass(“learnerSchema ") ################################################### ### 代码块2号:lkrf ################################################### randomForestI@converter ################################################### ### 代码块3号:lknn ################################################### nnetI@converter ################################################### ### 代码块数量4:lkknn ################################################### knnI (k = 3, l = 2) @converter ################################################### ### 代码块5号:显示 ################################################### 图书馆(质量)的数据(蟹)kp =样本(1∶大小= 120)rf1 = MLearn (sp ~ CL + RW, data =螃蟹,randomForestI, kp, ntree = 100) rf1 RObject (rf1) knn1 = MLearn (sp ~ CL + RW, data =螃蟹,knnI (k = 3, l = 2), kp) knn1 ################################################### ### 代码块6号:mkadaI ################################################### 阿岱= makeLearnerSchema(“艾达”,“艾达”,standardMLIConverter)阿伦= MLearn (sp ~ CL + RW, data =螃蟹、阿岱,kp) confuMat(阿伦)RObject(阿伦 ) ################################################### ### 代码块7号:路 ################################################### standardMLIConverter ################################################### ### 代码块8号:lkggg ################################################### gbm2 ################################################### ### 代码块9号:tryg。认为 ################################################### BgbmI set.seed (1234) gbrun = MLearn (sp ~ CL + RW + FL +连续波+ BD, data =螃蟹,BgbmI (n.trees.pred = 25000,打= 5),kp, n.trees = 25000,分布=“伯努利”,verbose = FALSE) gbrun confuMat (gbrun)总结(testScores (gbrun )) ################################################### ### 代码块10号:dowrap ################################################### rdaCV =函数(公式、数据、…){passed = list(…)if ("genelist" %in% names(passed)) stop("请不要提供genelist参数")#输入到rda的数据需要GxN x = model。矩阵(公式，数据)if("(截距)"%in% colnames(x)) x = x[， -which(colnames(x) %in% "(截取)")]x = t(x) mf = model.frame(公式，数据)resp = as.numeric(factor(model.response(mf))) run1 = rda(x, resp，…)rda。cv( run1, x, resp ) } ################################################### ### code chunk number 11: dow2 ################################################### rdaFixed = function( formula, data, alpha, delta, ... ) { passed = list(...) if ("genelist" %in% names(passed)) stop("please don't supply genelist parameter.") # data input to rda needs to be GxN x = model.matrix(formula, data) if ("(Intercept)" %in% colnames(x)) x = x[, -which(colnames(x) %in% "(Intercept)")] x = t(x) featureNames = rownames(x) mf = model.frame(formula, data) resp = as.numeric(resp.fac <- factor(model.response(mf))) finalFit=rda( x, resp, genelist=TRUE, alpha=alpha, delta=delta, ... ) list(finalFit=finalFit, x=x, resp.num=resp, resp.fac=resp.fac, featureNames=featureNames, keptFeatures=featureNames[ which(apply(finalFit$gene.list,3,function(x)x)==1) ]) } ################################################### ### code chunk number 12: doreal ################################################### rdacvML = function(formula, data, ...) { run1 = rdaCV( formula, data, ... ) perf.1se = cverrs(run1)$one.se.pos del2keep = which.max(perf.1se[,2]) parms2keep = perf.1se[del2keep,] alp = run1$alpha[parms2keep[1]] del = run1$delta[parms2keep[2]] fit = rdaFixed( formula, data, alpha=alp, delta=del, ... ) class(fit) = "rdacvML" attr(fit, "xvalAns") = run1 fit } predict.rdacvML = function(object, newdata, ...) { newd = data.matrix(newdata) fnames = rownames(object$x) newd = newd[, fnames] inds = predict(object$finalFit, object$x, object$resp.num, xnew=t(newd)) factor(levels(object$resp.fac)[inds]) } print.rdacvML = function(x, ...) { cat("rdacvML S3 instance. components:\n") print(names(x)) cat("---\n") cat("elements of finalFit:\n") print(names(x$finalFit)) cat("---\n") cat("the rda.cv result is in the xvalAns attribute of the main object.\n") }