R dials trees 与基于树和基于规则的模型相关的参数函数。

这些是可用于建模的参数生成函数，特别是与防风草包。

用法

trees(range = c(1L, 2000L), trans = NULL)

min_n(range = c(2L, 40L), trans = NULL)

sample_size(range = c(unknown(), unknown()), trans = NULL)

sample_prop(range = c(1/10, 1), trans = NULL)

loss_reduction(range = c(-10, 1.5), trans = log10_trans())

tree_depth(range = c(1L, 15L), trans = NULL)

prune(values = c(TRUE, FALSE))

cost_complexity(range = c(-10, -1), trans = log10_trans())

参数

range: 一个二元素向量，分别保存最小和最大可能值的默认值。如果指定了转换，这些值应采用转换后的单位。
trans: scales 包中的 trans 对象，例如 scales::log10_trans() 或 scales::reciprocal_trans() 。如果未提供，则使用与 range 中使用的单位相匹配的默认值。如果没有转换，NULL 。
values: 可能值的向量( TRUE 或 FALSE )。

细节

当模型基于树或规则时，这些函数生成有用的参数。

trees()：随机森林或增强型集成中包含的树数量。在后一种情况下，这等于提升迭代的次数。 (参见parsnip::rand_forest()和parsnip::boost_tree())。
min_n() ：节点进一步分裂所需的最小数据点数量。 (参见parsnip::rand_forest()和parsnip::boost_tree())。
sample_size()：用于建模算法迭代中建模的数据集的大小，例如随机梯度提升。 (参见parsnip::boost_tree())。
sample_prop()：与sample_size()相同，但占总样本的比例。
loss_reduction()：进一步分裂所需的损失函数的减少。 (看parsnip::boost_tree())。这对应于gamma在xgboost.
tree_depth() ：树的最大深度(即分割数)。 (参见parsnip::boost_tree())。
prune()：是否应修剪树或规则集的逻辑。
cost_complexity() ：经典 CART 模型中的cost-complexity 参数。

例子

trees()
#> # Trees (quantitative)
#> Range: [1, 2000]
min_n()
#> Minimal Node Size (quantitative)
#> Range: [2, 40]
sample_size()
#> # Observations Sampled (quantitative)
#> Range: [?, ?]
loss_reduction()
#> Minimum Loss Reduction (quantitative)
#> Transformer: log-10 [1e-100, Inf]
#> Range (transformed scale): [-10, 1.5]
tree_depth()
#> Tree Depth (quantitative)
#> Range: [1, 15]
prune()
#> Pruning  (qualitative)
#> 2 possible values include:
#> TRUE and FALSE 
cost_complexity()
#> Cost-Complexity Parameter (quantitative)
#> Transformer: log-10 [1e-100, Inf]
#> Range (transformed scale): [-10, -1]

源代码：R/param_trees.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 Parameter functions related to tree- and rule-based models.。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。