R parsnip mlp 单层神经网络

mlp() 定义了多层感知器模型(也称为单层，feed-forward 神经网络)。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。

• nnet¹

• brulee

• h2o²

• keras

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

mlp(
  mode = "unknown",
  engine = "nnet",
  hidden_units = NULL,
  penalty = NULL,
  dropout = NULL,
  epochs = NULL,
  activation = NULL,
  learn_rate = 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。

hidden_units

隐藏模型中单元数量的整数。

penalty

权重衰减量的非负数值。

dropout

0(含)到 1 之间的数字，表示模型训练期间随机设置为零的模型参数的比例。

epochs

训练迭代次数的整数。

activation

表示原始预测变量和隐藏单元层之间关系类型的单个字符串。隐藏层和输出层之间的激活函数根据结果类型自动设置为 "linear" 或 "softmax"。可能的值为："linear"、"softmax"、"relu" 和 "elu"

learn_rate

提升算法从迭代到迭代的适应速率的数字(仅限特定引擎)。这有时称为收缩参数。

细节

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
mlp(argument = !!value)

参考

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

也可以看看

例子

show_engines("mlp")
#> # A tibble: 6 × 2
#>   engine mode          
#>   <chr>  <chr>         
#> 1 keras  classification
#> 2 keras  regression    
#> 3 nnet   classification
#> 4 nnet   regression    
#> 5 brulee classification
#> 6 brulee regression    

mlp(mode = "classification", penalty = 0.01)
#> Single Layer Neural Network Model Specification (classification)
#> 
#> Main Arguments:
#>   penalty = 0.01
#> 
#> Computational engine: nnet 
#>