其中有一致性系数Kappa，如果我们的结局是十分不平衡的，这个Kappa就会是特别重要的评估模型表现的一个指标
Kappa is an excellent performance measure when the classes are highly unbalanced
我们发现超参取0.00137和2，模型会表现得更好，这个也成为我们的finalmodel。
预测新样本模型目前已经训练好了，我们可以用训练好的最好的模型finalmodel来预测我们的测试集，进而评估模型表现。预测新样本的代码如下：
predict(svmFit$finalModel, newdata = testDescr)
有时候我们会训练不同算法的多个模型，比如一个支持向量机模型，另外一个gbm模型，这个时候使用predict也可以方便的得到多个算法的预测结果，只需要将模型放在一个list中即可。
另外还有extractProb和extractPrediction两个函数，extractPrediction可以很方便地从预测模型中提出预测值，extractProb可以提出预测概率。
评估模型表现对于分类问题，我们可以用confusionMatrix很方便地得到下面的模型评估指标：
还有要报告的ROC曲线：
svmROC <- roc(svmProb$mutagen, svmProb$obs)
aucRoc则可以帮助我们快速地得到曲线下面积。
对于回归问题，评估模型表现的时候就没有所谓的accuracy and the Kappa statistic了，我们关心R2，plotObsVsPred可以方便地画出实际值和预测值的走势，关心rmse和mae，calc_rmse函数可以帮助计算rmse，get_best_result函数可以输出R方等指标。
预测因子选择预测因子的重要性作图，有时候我们的数据变量很多，或者叫维度很多，从而导致维度灾难，好多的预测因子其实并不能给模型提供信息，预测因子的选择则是要在尽量使得模型精简的情况下不损害模型的表现。
varImp可以帮助我们查看各个预测因子对模型的贡献重要性，并且这个重要性是以得分的形式给出的，分怎么计算的，我也不知道。获得各个预测因子重要性得分的代码如下：
varImp(gbmFit, scale = FALSE)
更直观的我们将该对象plot下，就可以得到预测因子重要性的面条图如下：
