这些函数可用于根据其预测平均值和变化对候选调整参数组合进行评分。
用法
prob_improve(trade_off = 0, eps = .Machine$double.eps)
exp_improve(trade_off = 0, eps = .Machine$double.eps)
conf_bound(kappa = 0.1)
参数
- trade_off
-
说明开发和探索之间权衡的数字或函数。较小的值有利于剥削。
- eps
-
一个小常数,以避免被零除。
- kappa
-
一个正数(或函数),对应于置信区间中标准差的乘数(例如 normal-theory 95% 置信区间中的 1.96)。较小的值更倾向于剥削。
细节
采集函数通常将高斯过程模型的均值和方差预测结合到要优化的目标中。
对于本文档,我们假设所讨论的指标在最大化时会更好(例如准确性、决定系数等)。
点 x
的预期改进基于该点的预测平均值和变化以及当前最佳值(此处表示为 x_b
)。下面链接的小插图包含此采集函数的公式。当trade_off
参数大于零时,采集函数将down-play平均预测的效果并给予变化更多的权重。这具有搜索尚未采样的区域中的新参数组合的效果。
请注意,对于 exp_improve()
和 prob_improve()
,trade_off
值采用结果单位。这些函数已参数化,因此 trade_off
值应始终为非负数。
置信界限函数不考虑数据中当前的最佳结果。
如果将函数传递给 exp_improve()
或 prob_improve()
,则该函数可以有多个参数,但仅向该函数提供第一个参数(当前迭代编号)。换句话说,函数参数除了第一个参数之外的所有参数都应该有默认值。请参阅 expo_decay()
作为函数示例。
相关用法
- R tune coord_obs_pred 对观察值与预测值的绘图使用相同的比例
- R tune extract-tune 提取调整对象的元素
- R tune filter_parameters 删除一些调整参数结果
- R tune fit_best 将模型拟合到数值最优配置
- R tune conf_mat_resampled 计算重采样的平均混淆矩阵
- R tune finalize_model 将最终参数拼接到对象中
- R tune tune_bayes 模型参数的贝叶斯优化。
- R tune collect_predictions 获取并格式化由调整函数产生的结果
- R tune show_best 研究最佳调整参数
- R tune expo_decay 指数衰减函数
- R tune fit_resamples 通过重采样拟合多个模型
- R tune merge.recipe 将参数网格值合并到对象中
- R tune autoplot.tune_results 绘图调整搜索结果
- R tune tune_grid 通过网格搜索进行模型调整
- R tune dot-use_case_weights_with_yardstick 确定案例权重是否应传递至标准
- R tune message_wrap 写一条尊重线宽的消息
- R tune last_fit 将最终的最佳模型拟合到训练集并评估测试集
- R update_PACKAGES 更新现有的 PACKAGES 文件
- R textrecipes tokenlist 创建令牌对象
- R themis smotenc SMOTENC算法
- R print.via.format 打印实用程序
- R tibble tibble 构建 DataFrame 架
- R tidyr separate_rows 将折叠的列分成多行
- R textrecipes step_lemma 标记变量的词形还原
- R textrecipes show_tokens 显示配方的令牌输出
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 Acquisition function for scoring parameter combinations。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。