R parsnip bart 貝葉斯加性回歸樹 (BART)

bart() 定義了一個樹集成模型，該模型使用貝葉斯分析來組裝集成。該函數可以擬合分類和回歸模型。

擬合該模型的方法有多種，通過設置模型引擎來選擇估計方法。下麵列出了該模型的引擎特定頁麵。

dbarts¹

1 默認引擎。

有關如何操作的更多信息防風草用於建模的是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
)

參數

mode: 預測結果模式的單個字符串。此模型的可能值為"unknown"、"regression" 或"classification"。
engine: 指定用於擬合的計算引擎的單個字符串。
trees: 集合中包含的樹數的整數。
prior_terminal_node_coef: 節點是終端節點的先驗概率的係數。值通常介於 0 和 1 之間，默認值為 0.95。這會影響基線概率；數字越小，總體概率就越大。請參閱下麵的詳細信息。
prior_terminal_node_expo: 節點是終端節點的先驗概率的指數。值通常為非負數，默認值為 2。這會影響先驗概率隨著樹深度的增加而降低的速率。值越大，樹越深的可能性就越小。
prior_outcome_range: 一個正值，定義預測結果在一定範圍內的先驗寬度。對於回歸來說，它與觀察到的數據範圍有關；先驗是由數據觀測範圍定義的高斯分布的標準差數。對於分類，它被定義為+/-3的範圍(假設在logit標度上)。默認值為 2。

細節

終端節點概率的先驗表示為prior = a * (1 + d)^(-b)，其中d是節點的深度，a是prior_terminal_node_coef，b是prior_terminal_node_expo。請參閱下麵的示例部分，了解這些參數的不同值的終端節點的先驗概率的示例圖。

此函數僅定義正在擬合的模型類型。一旦指定了引擎，也就定義了擬合模型的方法。有關設置引擎的更多信息，包括如何設置引擎參數，請參閱set_engine()。

在 fit() 函數與數據一起使用之前，模型不會經過訓練或擬合。

此函數中除 mode 和 engine 之外的每個參數都被捕獲為 quosures 。要以編程方式傳遞值，請使用injection operator，如下所示：

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

參考

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)

源代碼：R/bart.R

相關用法

注：本文由純淨天空篩選整理自Max Kuhn等大神的英文原創作品 Bayesian additive regression trees (BART)。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。