หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

ปรับแต่ง

finetune มีฟังก์ชันพิเศษสำหรับการปรับแต่งโมเดลซึ่งจะขยายสิ่งที่อยู่ในแพ็คเกจ tune ในปัจจุบัน คุณสามารถติดตั้งแพ็คเกจเวอร์ชัน CRAN ด้วยรหัสต่อไปนี้: 

install.packages( " finetune " )

หากต้องการติดตั้งเวอร์ชันการพัฒนาของแพ็คเกจ ให้รัน: 

 # install.packages("pak")
pak :: pak( " tidymodels/finetune " )

มีชุดเครื่องมือหลักสองชุดในแพ็คเกจ: การหลอมจำลอง และ การแข่งรถ

การปรับแต่งด้วยการเพิ่มประสิทธิภาพ การอบอ่อนจำลอง เป็นเครื่องมือค้นหาซ้ำเพื่อค้นหาค่าที่ดี: 

library( tidymodels )
library( finetune )

# Syntax very similar to `tune_grid()` or `tune_bayes()`: 

# # -----------------------------------------------------------------------------

data( two_class_dat , package = " modeldata " )

set.seed( 1 )
rs <- bootstraps( two_class_dat , times = 10 ) # more resamples usually needed

# Optimize a regularized discriminant analysis model
library( discrim )
rda_spec <-
  discrim_regularized( frac_common_cov = tune(), frac_identity = tune()) % > %
  set_engine( " klaR " )

# # -----------------------------------------------------------------------------

set.seed( 2 )
sa_res <- 
  rda_spec % > % 
  tune_sim_anneal( Class ~ . , resamples = rs , iter = 20 , initial = 4 )
# > Optimizing roc_auc
# > Initial best: 0.86480
# > 1 ♥ new best           roc_auc=0.87327 (+/-0.004592)
# > 2 ♥ new best           roc_auc=0.87915 (+/-0.003864)
# > 3 ◯ accept suboptimal  roc_auc=0.87029 (+/-0.004994)
# > 4 + better suboptimal  roc_auc=0.87171 (+/-0.004717)
# > 5 ◯ accept suboptimal  roc_auc=0.86944 (+/-0.005081)
# > 6 ◯ accept suboptimal  roc_auc=0.86812 (+/-0.0052)
# > 7 ♥ new best           roc_auc=0.88172 (+/-0.003647)
# > 8 ◯ accept suboptimal  roc_auc=0.87678 (+/-0.004276)
# > 9 ◯ accept suboptimal  roc_auc=0.8627 (+/-0.005784)
# > 10 + better suboptimal  roc_auc=0.87003 (+/-0.005106)
# > 11 + better suboptimal  roc_auc=0.87088 (+/-0.004962)
# > 12 ◯ accept suboptimal  roc_auc=0.86803 (+/-0.005195)
# > 13 ◯ accept suboptimal  roc_auc=0.85294 (+/-0.006498)
# > 14 ─ discard suboptimal roc_auc=0.84689 (+/-0.006867)
# > 15 ✖ restart from best  roc_auc=0.85021 (+/-0.006623)
# > 16 ◯ accept suboptimal  roc_auc=0.87607 (+/-0.004318)
# > 17 ◯ accept suboptimal  roc_auc=0.87245 (+/-0.004799)
# > 18 + better suboptimal  roc_auc=0.87706 (+/-0.004131)
# > 19 ◯ accept suboptimal  roc_auc=0.87213 (+/-0.004791)
# > 20 ◯ accept suboptimal  roc_auc=0.86218 (+/-0.005773)
show_best( sa_res , metric = " roc_auc " , n = 2 )
# > # A tibble: 2 × 9
# >   frac_common_cov frac_identity .metric .estimator  mean     n std_err .config
# >             <dbl>         <dbl> <chr>   <chr>      <dbl> <int>   <dbl> <chr>  
# > 1           0.308        0.0166 roc_auc binary     0.882    10 0.00365 Iter7  
# > 2           0.121        0.0474 roc_auc binary     0.879    10 0.00386 Iter2  
# > # ℹ 1 more variable: .iter <int>

วิธีชุดที่สองมีไว้สำหรับ การแข่งรถ เราเริ่มต้นด้วยการสุ่มตัวอย่างชุดเล็กๆ สำหรับจุดกริดทั้งหมด จากนั้นทดสอบทางสถิติเพื่อดูว่าจุดใดควรถูกทิ้งหรือตรวจสอบเพิ่มเติม ทั้งสองวิธีในที่นี้อิงตามที่ควรใน Kuhn (2014)

ตัวอย่างเช่น การใช้การวิเคราะห์ประเภท ANOVA เพื่อกรองชุดค่าผสมของพารามิเตอร์ออก: 

set.seed( 3 )
grid <-
  rda_spec % > %
  extract_parameter_set_dials() % > %
  grid_max_entropy( size = 20 )

ctrl <- control_race( verbose_elim = TRUE )

set.seed( 4 )
grid_anova <- 
  rda_spec % > % 
  tune_race_anova( Class ~ . , resamples = rs , grid = grid , control = ctrl )
# > ℹ Evaluating against the initial 3 burn-in resamples.
# > ℹ Racing will maximize the roc_auc metric.
# > ℹ Resamples are analyzed in a random order.
# > ℹ Bootstrap10: 14 eliminated; 6 candidates remain.
# > 
# > ℹ Bootstrap04: 2 eliminated; 4 candidates remain.
# > 
# > ℹ Bootstrap03: All but one parameter combination were eliminated.

show_best( grid_anova , metric = " roc_auc " , n = 2 )
# > # A tibble: 1 × 8
# >   frac_common_cov frac_identity .metric .estimator  mean     n std_err .config  
# >             <dbl>         <dbl> <chr>   <chr>      <dbl> <int>   <dbl> <chr>    
# > 1           0.831        0.0207 roc_auc binary     0.881    10 0.00386 Preproce…

tune_race_win_loss() ก็สามารถใช้ได้เช่นกัน โดยจะถือว่าพารามิเตอร์การปรับแต่งเหมือนกับทีมกีฬาในทัวร์นาเมนท์และคำนวณสถิติการชนะ/แพ้ 

set.seed( 4 )
grid_win_loss <- 
  rda_spec % > % 
  tune_race_win_loss( Class ~ . , resamples = rs , grid = grid , control = ctrl )
# > ℹ Racing will maximize the roc_auc metric.
# > ℹ Resamples are analyzed in a random order.
# > ℹ Bootstrap10: 3 eliminated; 17 candidates remain.
# > 
# > ℹ Bootstrap04: 2 eliminated; 15 candidates remain.
# > 
# > ℹ Bootstrap03: 2 eliminated; 13 candidates remain.
# > 
# > ℹ Bootstrap01: 1 eliminated; 12 candidates remain.
# > 
# > ℹ Bootstrap07: 1 eliminated; 11 candidates remain.
# > 
# > ℹ Bootstrap05: 1 eliminated; 10 candidates remain.
# > 
# > ℹ Bootstrap08: 1 eliminated; 9 candidates remain.

show_best( grid_win_loss , metric = " roc_auc " , n = 2 )
# > # A tibble: 2 × 8
# >   frac_common_cov frac_identity .metric .estimator  mean     n std_err .config  
# >             <dbl>         <dbl> <chr>   <chr>      <dbl> <int>   <dbl> <chr>    
# > 1           0.831        0.0207 roc_auc binary     0.881    10 0.00386 Preproce…
# > 2           0.119        0.0470 roc_auc binary     0.879    10 0.00387 Preproce…

มีส่วนร่วม

โครงการนี้เผยแพร่พร้อมกับจรรยาบรรณของผู้ร่วมให้ข้อมูล การมีส่วนร่วมในโครงการนี้แสดงว่าคุณตกลงที่จะปฏิบัติตามข้อกำหนดของโครงการ

  • สำหรับคำถามและการอภิปรายเกี่ยวกับแพ็คเกจที่เป็นระเบียบ การสร้างโมเดล และการเรียนรู้ของเครื่อง โปรดโพสต์บนชุมชน Posit

  • หากคุณคิดว่าคุณพบข้อบกพร่อง โปรดส่งปัญหา

  • ไม่ว่าจะด้วยวิธีใด เรียนรู้วิธีสร้างและแบ่งปัน reprex (ตัวอย่างขั้นต่ำที่สามารถทำซ้ำได้) เพื่อสื่อสารเกี่ยวกับโค้ดของคุณอย่างชัดเจน

  • ดูรายละเอียดเพิ่มเติมเกี่ยวกับแนวทางการสนับสนุนสำหรับแพ็คเกจ tidymodels และวิธีรับความช่วยเหลือ

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด