訳注：
http://topepo.github.io/caret/similarity.html の和訳です。

このページでは caret の train 関数で使用できるすべてのモデルをネットワーク図で示しています。この図がどのように出来ているか（そして、 networkD3 パッケージをどう使っているか）は the Revolutions blog を参照のこと。要約すると、タグ（例えば「バギング」、「L1正則化」等）の集合により、それぞれのモデルに注釈付をしています。この情報を用いて、互いに類似したものをクラスタリングしています。
緑色の丸は回帰のモデルであり、青い丸は分類のみ、オレンジの丸は回帰と分類の両方のモデルです。モデルの丸の上にマウスを置くと、モデル名と caret でのモデルコードが表示されます。名前のすべてを見たい時にはノードを左に移動させます（訳注？）。13モデルはこのグラフには表示していません。
（図略）

このグラフを作成するためのデータはここにあります。モデルのダイバースセットを見つけるために、maximum dissimilarity サンプリングを用います。回帰データに放射基底関数を用いた SVM モデルを使いたいと仮定しましょう。タグに基づけば、ダイバースセットから4つのモデルを探すと何になるか？

tag <- read.csv("tag_data.csv", row.names = 1)
tag <- as.matrix(tag)

## Select only models for regression
regModels <- tag[tag[,"Regression"] == 1,]

all <- 1:nrow(regModels)
## Seed the analysis with the SVM model
start <- grep("(svmRadial)", rownames(regModels), fixed = TRUE)
pool <- all[all != start]

## Select 4 model models by maximizing the Jaccard
## dissimilarity between sets of models
nextMods <- maxDissim(regModels[start,,drop = FALSE],
                      regModels[pool, ],
                      method = "Jaccard",
                      n = 4)

rownames(regModels)[c(start, nextMods)]

[1] "Support Vector Machines with Radial Basis Function Kernel (svmRadial)"
[2] "Cubist (cubist)"                                                      
[3] "Bayesian Regularized Neural Networks (brnn)"                          
[4] "Generalized Linear Model with Stepwise Feature Selection (glmStepAIC)"
[5] "Ridge Regression with Variable Selection (foba)"