模擬退火搜索過程的控製方麵
用法
control_sim_anneal(
verbose = FALSE,
verbose_iter = TRUE,
no_improve = Inf,
restart = 8L,
radius = c(0.05, 0.15),
flip = 3/4,
cooling_coef = 0.02,
extract = NULL,
save_pred = FALSE,
time_limit = NA,
pkgs = NULL,
save_workflow = FALSE,
save_history = FALSE,
event_level = "first",
parallel_over = NULL,
allow_par = TRUE,
backend_options = NULL
)
參數
- verbose
-
記錄在單個 R 進程中訓練期間生成的結果(始終顯示的警告和錯誤除外)的邏輯。當使用大多數並行後端時,此參數通常不會導致任何日誌記錄。如果使用深色 IDE 主題,某些日誌消息可能很難看到;嘗試使用
options(tidymodels.dark = TRUE)
設置tidymodels.dark
選項以打印較淺的顏色。 - verbose_iter
-
用於記錄搜索過程結果的邏輯。默認為 FALSE。如果使用深色 IDE 主題,某些日誌消息可能很難看到;嘗試使用
options(tidymodels.dark = TRUE)
設置tidymodels.dark
選項以打印較淺的顏色。 - no_improve
-
沒有更好結果的迭代次數的整數截止值。
- restart
-
在從最後的整體最佳條件生成新的調整參數候選之前沒有改進的迭代次數。
- radius
-
(0, 1)
上的兩個實數說明了當前結果的“鄰域”值應該是什麽。如果所有數字參數都縮放為[0, 1]
比例,則這些值將設置最小值。和最大。用於生成新數值參數值的圓的半徑。 - flip
-
[0, 1]
之間的實數,表示每次迭代時更改任何非數字參數值的概率。 - cooling_coef
-
影響冷卻計劃的真實正數。較大的值會降低接受次優參數設置的可能性。
- extract
-
具有至少一個參數(或
NULL
)的可選函數,可用於保留模型擬合對象、配方或工作流其他元素中的任意對象。 - save_pred
-
是否應為每個評估的模型保存 out-of-sample 預測的邏輯。
- time_limit
-
函數應執行的最小分鍾數(已過去)的數字。在內部檢查點評估經過的時間,如果超過時間,則返回當時的結果(帶有警告)。這意味著
time_limit
不是一個確切的限製,而是一個最短時間限製。 - pkgs
-
在並行處理期間應加載(按命名空間)的 R 包名稱的可選字符串。
- save_workflow
-
工作流是否應作為屬性附加到輸出的邏輯。
- save_history
-
保存搜索迭代細節的邏輯。這些保存到名為
sa_history.RData
的tempdir()
中。當 R 會話結束時,這些結果將被刪除。此選項僅用於教學目的。 - event_level
-
包含
"first"
或"second"
的單個字符串。當進行任何類型的類預測時,此參數將傳遞給尺度度量函數,並指定哪個級別的結果被視為 "event"。 - parallel_over
-
包含
"resamples"
或"everything"
的單個字符串,說明如何使用並行處理。或者,允許NULL
,它會自動在"resamples"
和"everything"
之間進行選擇。如果是
"resamples"
,則調整將僅通過重采樣並行執行。在每次重新采樣中,預處理器(即配方或公式)都會處理一次,然後在需要擬合的所有模型中重複使用。如果
"everything"
,則調整將在兩個級別並行執行。外部並行循環將迭代重新采樣。此外,內部並行循環將迭代該特定重采樣的預處理器和模型調整參數的所有獨特組合。這將導致預處理器被重新處理多次,但如果處理速度非常快,則速度會更快。如果
NULL
,如果有多次重新采樣,則選擇"resamples"
,否則選擇"everything"
以嘗試最大化核心利用率。請注意,
parallel_over
策略之間的切換不保證使用相同的隨機數生成方案。但是,使用相同的parallel_over
策略重新調整模型可以保證在運行之間可重現。 - allow_par
-
允許並行處理的邏輯(如果注冊了並行後端)。
- backend_options
-
由
tune::new_backend_options()
創建的類"tune_backend_options"
的對象,用於將參數傳遞給特定的調整後端。默認後端選項默認為NULL
。
相關用法
- R finetune control_race 網格搜索競賽過程的控製方麵
- R finetune tune_sim_anneal 通過模擬退火優化模型參數
- R finetune tune_race_anova 通過方差分析模型進行高效網格搜索
- R finetune tune_race_win_loss 通過帶有輸贏統計數據的比賽進行高效的網格搜索
- R SparkR first用法及代碼示例
- R SparkR fitted用法及代碼示例
- R SparkR filter用法及代碼示例
- R SparkR freqItems用法及代碼示例
- R write.dbf 寫入 DBF 文件
- R forcats fct_relevel 手動重新排序因子級別
- R forcats as_factor 將輸入轉換為因子
- R forcats fct_anon 匿名因子水平
- R write.foreign 編寫文本文件和代碼來讀取它們
- R forcats fct_inorder 按首次出現、頻率或數字順序對因子水平重新排序
- R forcats fct_rev 因子水平的倒序
- R write.dta 以 Stata 二進製格式寫入文件
- R forcats fct_match 測試因子中是否存在水平
- R forcats fct_relabel 使用函數重新標記因子水平,並根據需要折疊
- R S3 讀取 S3 二進製或 data.dump 文件
- R forcats fct_drop 刪除未使用的級別
- R forcats fct_c 連接因子,組合級別
- R forcats fct_collapse 將因子級別折疊為手動定義的組
- R read.ssd 通過 read.xport 從 SAS 永久數據集中獲取數據幀
- R read.dbf 讀取 DBF 文件
- R read.mtp 閱讀 Minitab 便攜式工作表
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 Control aspects of the simulated annealing search process。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。