search for: predictivas

> > Estimados muy buenas quería hacerles unas consulta: Estoy trabajando en mi tesis sobre mejoramiento animal y mi objetivo es evaluar la habilidad predictiva de modelos estadísticos mediante validación cruzada. Pero antes la intención es dividir mi base de datos en 3 partes y quisiera que todos los efectos incluidos en el estudio y cada uno de sus niveles, estén lo más equitativamente

Hola, El mensaje es claro: el modelo svmfit no existe, tú has llamado al ajuste ?modelo?. De todas formas, aparte de eso tendrías que especificar qué dimensiones (variables predictivas) quieres representar. Si miras en la ayuda de ?plot.svm lo tienes explicado. Esto sí funcionaría: plot(modelo,df11, LDH ~ INL ) Gracias por proporcionar el código y los datos para poder reproducir el error. Un saludo, Emilio L. Cano > El 16 feb 2023, a las 12:44, Jose Betancourt Bethenco...

Estimados En este modelo no puedo hacer el plot(svmfit,df11 ) #AQUI NO TRABAJA Le adjunto Excel library(readxl) df11 attach(df11) df11$fallecido=factor(df11$fallecido) # Selección de una submuestra del 70% de los datos set.seed(101) tamano.total <- nrow(df11) tamano.entreno <- round(tamano.total*0.7) datos.indices <- sample(1:tamano.total , size=tamano.entreno) datos.entreno <-

Hola de nuevo. Se me olvidaba la principal razón para utilizar gbm.step del paquete dismo. Como sabéis, los boosted si sobreajustan (a diferencia de los random forest o cualquier otro bootstrap) pero gbm.step hace validación cruzada para determinar el nº óptimo de árboles y evitarlo. Es fundamental. La opción que me queda, Carlos, es hacerlo con gbm, pero muchas veces, y usar el