随MLR包随机调整随机森林截止点

我一直在探索与泰坦尼克号data set的奇妙mlr包。我的问题是实施一个随机森林。更具体地说，我想调整cutoff（即给给定类别分配不纯的叶子的阈值）。问题是cutoff参数有两个值，但是，我只能找出超参数在mlr中为一个值。随MLR包随机调整随机森林截止点

代码：

library(mlr) 
library(dplyr) 

dTrain <- read.csv('path/to/data/') 

#Defining the Task 
trainTask <- makeClassifTask(data = dTrain %>% 
          select(-Name, -Ticket, -Cabin) %>% 
          filter(complete.cases(.)), 
         target = "Survived", 
         id = "PassengerId") 

#Defining Learning 
rfLRN <- makeLearner("classif.randomForest") 

#Defining the Parameter Space 
ps <- makeParamSet(
makeDiscreteParam("cutoff", values = list(c(.5,.5), c(.75,.25))) 
)

这是问题的关键在于，cutoff需要两个值，但是，我不知道怎么打发这两个值。上述尝试是错误的。我尝试过其他几个参数制作者，例如makeDiscreteVectorParam等......但无济于事。有小费吗？

如果我试图调整一个参数，如mtry（即从给定分割中选择的特征的数量），一切正常。

#Defining the Hyperparameter Space 
ps = makeParamSet(
    makeDiscreteParam("mtry", values = c(2,3,4,5)) 
) 

#Defining Resampling 
cvTask <- makeResampleDesc("CV", iters=5L) 

#Defining Search 
search <- makeTuneControlGrid() 

#Tune! 
tune <- tuneParams(learner = rfLRN 
       ,task = trainTask 
       ,resampling = cvTask 
       ,measures = list(acc) 
       ,par.set = ps 
       ,control = search 
       ,show.info = TRUE)

来源

2017-03-17 Jacob H

对于那些有类似的问题，更好的办法是使用' makeNumericParam（“cutoff”，lower = .2，upper = .8，trafo = function（x）c（x，1-x））'而不是'makeDiscreteParam（“cutoff”，values = list（a = c（。 50，.50），b = c（.75，.25））'。为了获得详尽的搜索，更少的编码。 –

看起来你需要的名字分配给这些分类截止，如：

#Defining the Parameter Space 
ps <- makeParamSet(
    makeDiscreteParam("cutoff", values = list(
    a=c(.50,.50), 
    b=c(.75,.25))) 
)

输出：

> tune <- tuneParams(learner = rfLRN 
+     ,task = trainTask 
+     ,resampling = cvTask 
+     ,measures = list(acc) 
+     ,par.set = ps 
+     ,control = search 
+     ,show.info = TRUE) 
[Tune] Started tuning learner classif.randomForest for parameter set: 
      Type len Def Constr Req Tunable Trafo 
cutoff discrete - - a,b - TRUE  - 
With control class: TuneControlGrid 
Imputation value: -0 
[Tune-x] 1: cutoff=a 
[Tune-y] 1: acc.test.mean=0.828; time: 0.0 min 
[Tune-x] 2: cutoff=b 
[Tune-y] 2: acc.test.mean=0.776; time: 0.0 min 
[Tune] Result: cutoff=a : acc.test.mean=0.828

来源

2017-03-18 01:17:52 Matt

随MLR包随机调整随机森林截止点

回答

相关问题