R语言 RWeka包 Weka_classifier_meta()函数中文帮助文档(中英文对照)

loveR

Weka_classifier_meta(RWeka)
Weka_classifier_meta()所属R语言包：RWeka

                                        R/Weka Meta Learners
                                         R / Weka中的Meta学习者

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

R interfaces to Weka meta learners.
R接口Weka中的元学习者。


用法----------Usage----------


AdaBoostM1(formula, data, subset, na.action,
           control = Weka_control(), options = NULL)
Bagging(formula, data, subset, na.action,
        control = Weka_control(), options = NULL)
LogitBoost(formula, data, subset, na.action,
           control = Weka_control(), options = NULL)
MultiBoostAB(formula, data, subset, na.action,
             control = Weka_control(), options = NULL)
Stacking(formula, data, subset, na.action,
         control = Weka_control(), options = NULL)
CostSensitiveClassifier(formula, data, subset, na.action,
                        control = Weka_control(), options = NULL)



参数----------Arguments----------

参数：formula
a symbolic description of the model to be fit.
一个象征性的模型来描述是合适的。


参数：data
an optional data frame containing the variables in the model.
一个可选的数据框包含在模型中的变量。


参数：subset
an optional vector specifying a subset of observations to be used in the fitting process.
一个可选的矢量指定的装配过程中可以使用的观测值的一个子集。


参数：na.action
a function which indicates what should happen when the data contain NAs.
一个函数，它表示当数据包含NA的，应该发生什么。


参数：control
an object of class Weka_control giving options to be passed to the Weka learner.  Available options can be obtained on-line using the Weka Option Wizard WOW, or the Weka documentation.  Base classifiers with an available R/Weka interface (see list_Weka_interfaces), can be specified (using the W option) via their “base name” as shown in the interface registry (see the examples), or their interface function.
对象的类Weka_control提供选项将被传递给Weka中学习。可用的选项可以使用在WEKA选项向导WOW，或在WEKA文档上线。基分类器的R / Weka中的接口（请参阅list_Weka_interfaces），通过他们的“碱基名称”，如下所示的接口注册表（见的例子），可以指定（使用W选项），或他们的接口功能。


参数：options
a named list of further options, or NULL (default).  See Details.
一个名为进一步的选项列表，或NULL（默认）。查看详细信息。


Details

详细信息----------Details----------

There are a predict method for predicting from the fitted models, and a summary method based on evaluate_Weka_classifier.
有一个predict从拟合模型的预测方法，并summary方法的基础上evaluate_Weka_classifier。

AdaBoostM1 implements the AdaBoost M1 method of Freund and Schapire (1996).
AdaBoostM1实现Freund和Schapire（1996年）的AdaBoost的M1方法。

Bagging provides bagging (Breiman, 1996).
Bagging提供装袋（布雷曼博士，1996年）。

LogitBoost performs boosting via additive logistic regression (Friedman, Hastie and Tibshirani, 2000).
LogitBoost添加剂logistic回归（弗里德曼，Hastie和Tibshirani，2000）通过执行提高。

MultiBoostAB implements MultiBoosting (Webb, 2000), an extension to the AdaBoost technique for forming decision committees which can be viewed as a combination of AdaBoost and “wagging”.
MultiBoostAB实现MultiBoosting（韦伯，2000），扩展的AdaBoost技术可以被看作是对AdaBoost的组合形成决策委员会和“摇摆”。

Stacking provides stacking (Wolpert, 1992).
Stacking提供堆叠（沃伯特，1992年）。

CostSensitiveClassifier makes its base classifier cost-sensitive.
CostSensitiveClassifier其基本分类成本敏感的。

The model formulae should only use the + and - operators to indicate the variables to be included or not used, respectively.
模型公式应该只使用+和-运营商表示的变量或不使用，分别。

Argument options allows further customization.  Currently, options model and instances (or partial matches for these) are used: if set to TRUE, the model frame or the corresponding Weka instances, respectively, are included in the fitted model object, possibly speeding up subsequent computations on the object.  By default, neither is included.
参数options可以进一步定制。目前，选项model和instances（或部分匹配的这些）：如果设置为TRUE，模型的框架或相应的的WEKA情况下，分别拟合模型对象，可能加快后续计算的对象。默认情况下，也不是。


值----------Value----------

A list inheriting from classes Weka_meta and Weka_classifiers with components including
继承类Weka_meta和Weka_classifiers组件，包括列表


参数：classifier
a reference (of class jobjRef) to a Java object obtained by applying the Weka buildClassifier method to build the specified model using the given control options.
参考（类jobjRef），通过应用在WEKA buildClassifier方法来建立模型使用给定的控制选项指定的Java对象。


参数：predictions
a numeric vector or factor with the model predictions for the training instances (the results of calling the Weka classifyInstance method for the built classifier and each instance).
一个数值向量或因子与培训实例（在WEKA classifyInstance内置分类方法，每个实例调用的结果）的模型预测。


参数：call
the matched call.
匹配的呼叫。


注意----------Note----------

multiBoostAB requires Weka package multiBoostAB to be installed.
multiBoostAB需要Weka中包multiBoostAB被安装。


参考文献----------References----------

Bagging predictors. Machine Learning, 24/2, 123–140.
Experiments with a new boosting algorithm. In Proceedings of the International Conference on Machine Learning, pages 148–156. Morgan Kaufmann: San Francisco.
Additive logistic regression: A statistical view of boosting. Annals of Statistics, 28/2, 337–374.
MultiBoosting: A technique for combining boosting and wagging. Machine Learning, 40/2, 159–196.
Data Mining: Practical Machine Learning Tools and Techniques. 2nd Edition, Morgan Kaufmann, San Francisco.
Stacked generalization. Neural Networks, 5, 241–259.

参见----------See Also----------

Weka_classifiers  
Weka_classifiers


实例----------Examples----------


## Use AdaBoostM1 with decision stumps.[使用AdaBoostM1决定树桩。]
m1 <- AdaBoostM1(Species ~ ., data = iris,
                 control = Weka_control(W = "DecisionStump"))
table(predict(m1), iris$Species)

summary(m1) # uses evaluate_Weka_classifier()[使用evaluate_Weka_classifier（）]

## Control options for the base classifiers employed by the meta[＃控制的元基分类的选项。]
## learners (apart from Stacking) can be given as follows:[＃学习者（除了从堆叠）可以给出如下：]
m2 <- AdaBoostM1(Species ~ ., data = iris,
                 control = Weka_control(W = list(J48, M = 30)))

转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。