R tune prob_improve 用于对参数组合进行评分的获取函数

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。

值

类 prob_improve 、 exp_improve 或 conf_bounds 的对象

以及额外的 acquisition_function 类。

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。

也可以看看

例子

prob_improve()
#> Acquisition Function: probability of improvment