R里的caret包和mlr包都有一个强大的train函数，它俩重名，调用时需要指定是哪个，用caret::train试试。

兰茨的那本《机器学习与R语言》(原书第2版)我也从头到尾学过，很不错的入门教程，但是确实比较浅，很多代码可以在自己日后学习中将其不断完善以致适用面更广、更强大。
关于bagging自助汇聚法，其实caret包更多是直接调用train函数，并配合trControl、tuneGrid或tuneLength几个参数去进行参数调优。比如我学过那本书之后，上网参考了caret包的官方教程，修改了代码形成了自己的“套路”：

学习了，但是您发的代码只包含了调参数的部分，也就是只训练了一个分类器，如果要训练多个基分类器，应该怎么做呢？

每个学习器都有自己独特的参数，要调试参数最好一个个分别做，最后的结果可以汇总比较的。比如：


当然，也可以把一堆学习器放一起调试，但那样的代码比较复杂，mlr包里的流程更清晰些。
我目前的“套路”是，先用一堆学习器一起学习一次，综合比较下谁的结果最好，挑出精度和时间综合平衡下最好的两三个学习器，再分别一个个调参，然后再利用调优的参数进行交叉验证，最后将验证结果放一起综合比较。
就我目前的水平来说，随机森林和xgboost是“黑箱”类中常常领先的两个学习器，尤其是xgboost，速度快、效果好！偶尔有earth、glmnet、nntrain这样的学习器在某些数据集上也不错，因为它们常常耗时更少。svm支持向量机综合起来精度不如随机森林和xgboost，速度更比不过xgboost。还有一类就是深度学习，如h2o的deeplearning，效果也不错，就是慢……

我现在试了几个学习器后，也发现随机森林效果比较好，xgboost还没有试。我现在就像把bagControl这一项加到train函数中，这样能实现多个分类器的综合评价，但是总是出现错误，也不知道哪里出了问题。还有一点，我发现交叉验证方法实质上就相当于一个bagging过程了，不知道这样理解对吗？