R parsnip bart 贝叶斯加性回归树 (BART)

bart() 定义了一个树集成模型，该模型使用贝叶斯分析来组装集成。该函数可以拟合分类和回归模型。

拟合该模型的方法有多种，通过设置模型引擎来选择估计方法。下面列出了该模型的引擎特定页面。

dbarts¹

1 默认引擎。

有关如何操作的更多信息防风草用于建模的是https://www.tidymodels.org/.

用法

bart(
  mode = "unknown",
  engine = "dbarts",
  trees = NULL,
  prior_terminal_node_coef = NULL,
  prior_terminal_node_expo = NULL,
  prior_outcome_range = NULL
)

参数

mode: 预测结果模式的单个字符串。此模型的可能值为"unknown"、"regression" 或"classification"。
engine: 指定用于拟合的计算引擎的单个字符串。
trees: 集合中包含的树数的整数。
prior_terminal_node_coef: 节点是终端节点的先验概率的系数。值通常介于 0 和 1 之间，默认值为 0.95。这会影响基线概率；数字越小，总体概率就越大。请参阅下面的详细信息。
prior_terminal_node_expo: 节点是终端节点的先验概率的指数。值通常为非负数，默认值为 2。这会影响先验概率随着树深度的增加而降低的速率。值越大，树越深的可能性就越小。
prior_outcome_range: 一个正值，定义预测结果在一定范围内的先验宽度。对于回归来说，它与观察到的数据范围有关；先验是由数据观测范围定义的高斯分布的标准差数。对于分类，它被定义为+/-3的范围(假设在logit标度上)。默认值为 2。

细节

终端节点概率的先验表示为prior = a * (1 + d)^(-b)，其中d是节点的深度，a是prior_terminal_node_coef，b是prior_terminal_node_expo。请参阅下面的示例部分，了解这些参数的不同值的终端节点的先验概率的示例图。

此函数仅定义正在拟合的模型类型。一旦指定了引擎，也就定义了拟合模型的方法。有关设置引擎的更多信息，包括如何设置引擎参数，请参阅set_engine()。

在 fit() 函数与数据一起使用之前，模型不会经过训练或拟合。

此函数中除 mode 和 engine 之外的每个参数都被捕获为 quosures 。要以编程方式传递值，请使用injection operator，如下所示：

value <- 1
bart(argument = !!value)

参考

https://www.tidymodels.org, Tidy Modeling with R, searchable table of parsnip models

也可以看看

fit() , set_engine() , update() , dbarts engine details

例子

show_engines("bart")
#> # A tibble: 2 × 2
#>   engine mode          
#>   <chr>  <chr>         
#> 1 dbarts classification
#> 2 dbarts regression    

bart(mode = "regression", trees = 5)
#> BART Model Specification (regression)
#> 
#> Main Arguments:
#>   trees = 5
#> 
#> Computational engine: dbarts 
#> 

# ------------------------------------------------------------------------------
# Examples for terminal node prior

library(ggplot2)
library(dplyr)
#> 
#> Attaching package: ‘dplyr’
#> The following objects are masked from ‘package:stats’:
#> 
#>     filter, lag
#> The following objects are masked from ‘package:base’:
#> 
#>     intersect, setdiff, setequal, union

prior_test <- function(coef = 0.95, expo = 2, depths = 1:10) {
  tidyr::crossing(coef = coef, expo = expo, depth = depths) %>%
    mutate(
      `terminial node prior` = coef * (1 + depth)^(-expo),
      coef = format(coef),
      expo = format(expo))
}

prior_test(coef = c(0.05, 0.5, .95), expo = c(1/2, 1, 2)) %>%
  ggplot(aes(depth, `terminial node prior`, col = coef)) +
  geom_line() +
  geom_point() +
  facet_wrap(~ expo)

源代码：R/bart.R

相关用法

注：本文由纯净天空筛选整理自Max Kuhn等大神的英文原创作品 Bayesian additive regression trees (BART)。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。