如何在 R caret 包中执行主成分回归后提取成分以进行进一步分析

我有一个包含 151 个变量的数据集，这些变量被发现具有很高的共线性，因此我通过执行以下操作对其进行主成分回归：-

ctrl <- trainControl(method = "repeatedcv", repeats = 10, savePred = T)
model <- train(RT..seconds.~., data = cadets100, method = "pcr", trControl = ctrl)

这给了我：- RMSE = 65.7 R 平方 0.443

我只是想知道之后如何提取这些组件，以便我可以说应用进一步的分析（即对其执行 SVM 或随机森林）

如果你想在你的 PC 分数之上进行 SVM、RF 或任何第二分类器，那么有一个捷径，而不是尝试重新发明caret包裹。

您可以执行以下操作：

set.seed(1)
sigDist <- sigest(RT..seconds.~., data = cadets100, frac = 1)

svmGrid <- expand.grid(.sigma = sigDist, .C = 2^(-2:7))
set.seed(2)
svmPCAFit <- train(RT..seconds.~.,
                  method = "svmRadial",
                  tuneGrid = svmrGrid,                  
                  preProcess = c("center","scale","pca"), # if center and scale needed
                  trControl = ctrl)

这样，PCA 将在每次测试中进行，并且将使用分数而不是 SVM 分类器的观察结果。所以你不需要自己做，caret 会自动为你做。您在预处理中传递的所有内容都将应用于新数据集，无论是 CV 折叠测试还是拟合保留测试集。

但是，如果您想在将分数传递给下一个分类器之前执行 PLS（这是一种与 PCA 不同的监督方法），那么您必须在插入符号中自定义这样的模型（请参阅here）。有关示例的更多信息，您可以研究代码here此外，您还可以找到两种定制模型，一种用于 PLS-RF，一种用于 PLS-LDA。