R tune prob_improve 用於對參數組合進行評分的獲取函數

這些函數可用於根據其預測平均值和變化對候選調整參數組合進行評分。

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)

參數

trade_off

說明開發和探索之間權衡的數字或函數。較小的值有利於剝削。

eps

一個小常數，以避免被零除。

kappa

一個正數(或函數)，對應於置信區間中標準差的乘數(例如 normal-theory 95% 置信區間中的 1.96)。較小的值更傾向於剝削。

值

類 prob_improve 、 exp_improve 或 conf_bounds 的對象

以及額外的 acquisition_function 類。

細節

采集函數通常將高斯過程模型的均值和方差預測結合到要優化的目標中。

對於本文檔，我們假設所討論的指標在最大化時會更好(例如準確性、決定係數等)。

點 x 的預期改進基於該點的預測平均值和變化以及當前最佳值(此處表示為 x_b )。下麵鏈接的小插圖包含此采集函數的公式。當trade_off參數大於零時，采集函數將down-play平均預測的效果並給予變化更多的權重。這具有搜索尚未采樣的區域中的新參數組合的效果。

請注意，對於 exp_improve() 和 prob_improve() ，trade_off 值采用結果單位。這些函數已參數化，因此 trade_off 值應始終為非負數。

置信界限函數不考慮數據中當前的最佳結果。

如果將函數傳遞給 exp_improve() 或 prob_improve() ，則該函數可以有多個參數，但僅向該函數提供第一個參數(當前迭代編號)。換句話說，函數參數除了第一個參數之外的所有參數都應該有默認值。請參閱 expo_decay() 作為函數示例。

也可以看看

例子

prob_improve()
#> Acquisition Function: probability of improvment