R dials trees 與基於樹和基於規則的模型相關的參數函數。

這些是可用於建模的參數生成函數，特別是與防風草包。

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())

參數

range: 一個二元素向量，分別保存最小和最大可能值的默認值。如果指定了轉換，這些值應采用轉換後的單位。
trans: scales 包中的 trans 對象，例如 scales::log10_trans() 或 scales::reciprocal_trans() 。如果未提供，則使用與 range 中使用的單位相匹配的默認值。如果沒有轉換，NULL 。
values: 可能值的向量( TRUE 或 FALSE )。

細節

當模型基於樹或規則時，這些函數生成有用的參數。

trees()：隨機森林或增強型集成中包含的樹數量。在後一種情況下，這等於提升迭代的次數。 (參見parsnip::rand_forest()和parsnip::boost_tree())。
min_n() ：節點進一步分裂所需的最小數據點數量。 (參見parsnip::rand_forest()和parsnip::boost_tree())。
sample_size()：用於建模算法迭代中建模的數據集的大小，例如隨機梯度提升。 (參見parsnip::boost_tree())。
sample_prop()：與sample_size()相同，但占總樣本的比例。
loss_reduction()：進一步分裂所需的損失函數的減少。 (看parsnip::boost_tree())。這對應於gamma在xgboost.
tree_depth() ：樹的最大深度(即分割數)。 (參見parsnip::boost_tree())。
prune()：是否應修剪樹或規則集的邏輯。
cost_complexity() ：經典 CART 模型中的cost-complexity 參數。

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]

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