R parsnip mlp 單層神經網絡

mlp() 定義了多層感知器模型(也稱為單層，feed-forward 神經網絡)。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。

• nnet¹

• brulee

• h2o²

• keras

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

mlp(
  mode = "unknown",
  engine = "nnet",
  hidden_units = NULL,
  penalty = NULL,
  dropout = NULL,
  epochs = NULL,
  activation = NULL,
  learn_rate = 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。

hidden_units

隱藏模型中單元數量的整數。

penalty

權重衰減量的非負數值。

dropout

0(含)到 1 之間的數字，表示模型訓練期間隨機設置為零的模型參數的比例。

epochs

訓練迭代次數的整數。

activation

表示原始預測變量和隱藏單元層之間關係類型的單個字符串。隱藏層和輸出層之間的激活函數根據結果類型自動設置為 "linear" 或 "softmax"。可能的值為："linear"、"softmax"、"relu" 和 "elu"

learn_rate

提升算法從迭代到迭代的適應速率的數字(僅限特定引擎)。這有時稱為收縮參數。

細節

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
mlp(argument = !!value)

參考

https://www.tidymodels.org, Tidy Modeling with R, searchable table of parsnip models

也可以看看

例子

show_engines("mlp")
#> # A tibble: 6 × 2
#>   engine mode          
#>   <chr>  <chr>         
#> 1 keras  classification
#> 2 keras  regression    
#> 3 nnet   classification
#> 4 nnet   regression    
#> 5 brulee classification
#> 6 brulee regression    

mlp(mode = "classification", penalty = 0.01)
#> Single Layer Neural Network Model Specification (classification)
#> 
#> Main Arguments:
#>   penalty = 0.01
#> 
#> Computational engine: nnet 
#>