- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我想问是否可以保存在参数调整过程中创建的所有模型,例如使用 tuneParams
函数。我想保存每个超参数集的每次交叉验证的模型。
我可以看到 resample
和 benchmark
函数都有 models
参数,但我在 tuneParams 中找不到一个参数
或类似的函数,但我无法真正找到一种使用其他函数来模仿此行为的方法(我是 mlr 的新手)。
有办法做到这一点吗?
PS 我知道这可能听起来很疯狂,但我需要它进行一些内部验证。
不幸的是,PS2 似乎还没有“mlr”标签,而且我没有足够的代表来创建一个标签。
最佳答案
我想有更短的解决方案,但以下内容并不那么hacky。我们使用包装器来获取模型,以便我们可以将其保存在全局环境中的列表中。或者,您可以将该行更改为更复杂的内容并将其保存在硬盘上。这可能是值得的,因为模型可能会变得很大。
library(mlr)
# Define the tuning problem
ps = makeParamSet(
makeDiscreteParam("C", values = 2^(-2:2)),
makeDiscreteParam("sigma", values = 2^(-2:2))
)
ctrl = makeTuneControlGrid()
rdesc = makeResampleDesc("Holdout")
lrn = makeLearner("classif.ksvm")
# Define a wrapper to save all models that were trained with it
makeSaveWrapper = function(learner) {
mlr:::makeBaseWrapper(
id = paste0(learner$id, "save", sep = "."),
type = learner$type,
next.learner = learner,
par.set = makeParamSet(),
par.vals = list(),
learner.subclass = "SaveWrapper",
model.subclass = "SaveModel")
}
trainLearner.SaveWrapper = function(.learner, .task, .subset, ...) {
m = train(.learner$next.learner, task = .task, subset = .subset)
stored.models <<- c(stored.models, list(m)) # not very efficient, maybe you want to save on hard disk here?
mlr:::makeChainModel(next.model = m, cl = "SaveModel")
}
predictLearner.SaveWrapper = function(.learner, .model, .newdata, ...) {
NextMethod(.newdata = .newdata)
}
stored.models = list() # initialize empty list to store results
lrn.saver = makeSaveWrapper(lrn)
res = tuneParams(lrn.saver, task = iris.task, resampling = rdesc, par.set = ps, control = ctrl)
stored.models[[1]] # the normal mlr trained model
stored.models[[1]]$learner.model # the underlying model
getLearnerParVals(stored.models[[1]]$learner) # the hyper parameter settings
stored.models[[1]]$subset # the indices used to train the model
关于R mlr 包 - 是否可以保存参数调整中的所有模型?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/40250815/
我想比较简单的逻辑回归模型,其中每个模型仅考虑一组指定的特征。我想在数据重新采样时对这些回归模型进行比较。 R 包 mlr 允许我使用 dropFeatures 在任务级别选择列。代码类似于: ful
我想比较简单的逻辑回归模型,其中每个模型仅考虑一组指定的特征。我想在数据重新采样时对这些回归模型进行比较。 R 包 mlr 允许我使用 dropFeatures 在任务级别选择列。代码类似于: ful
mlr 包很棒,创建 ModelMultiplexer 的想法也有帮助。但是 ModelMultiplexer 从所使用的模型中“选择”1 个模型。 是否有任何支持或计划支持创建单个模型的 Bagge
我在 mlr cheatsheet 中使用基于快速入门示例的代码。我添加了并行化并尝试多次调整参数。 问题:为什么即使我每次在调优前都设置了set.seed(),重现性还是会失败(为什么结果不一样)?
我在基准实验中使用嵌套交叉验证。我想检索用于每个外循环的实例的索引。我知道有一个函数 getResamplingIndices() 适合此任务。但它不接受“BenchmarkResult”对象。有办法
我正在 R 中使用 mlr 包来比较二元分类任务中的两个学习器,即随机森林和套索分类器。我使用嵌套交叉验证来计算性能。然后,我想计算特征对于最佳分类器(本例中的随机森林)的重要性。为了实现这一目标,我
我正在创建自定义学习器,特别是我正在尝试使用 h2o mlr 框架内的机器学习算法。 h2o.deeplearning 函数的“隐藏”参数是一个我想要调整的整数向量。我通过以下方式定义了“隐藏”参数:
我正在使用 R 3.6.1、RStudio 1.2.5019 和 mlr 2.15.0。已安装并加载 MLR。只加载 mlr 和构建 mlr 的包。 现在,我已经使用 train 训练了一个模型。并希
如果我在不平衡的二元目标变量的情况下使用欠采样来训练模型,则预测方法会在平衡数据集的假设下计算概率。如何将这些概率转换为不平衡数据的实际概率?转换参数/函数是在 mlr 包还是其他包中实现的?例如:
如果我想使用 mlr 包对新数据进行预测,如何预处理新数据,以便使用原始数据预处理所需的信息。例如。如果我合并小因子水平并且新数据集中的频率与第一个数据集不同,则生成的因子水平可能不同并且无法进行预测
我尝试使用以下代码训练 h2o 模型并对新数据进行预测,但这会导致错误。如何避免这个错误? library(mlr) a <- data.frame(y=factor(c(1,1,1,1,1,1,1,
我想知道函数 normalizeFeatures 如何与重采样策略一起工作。以下哪个说法是正确的? 整个任务数据归一化 训练数据被规范化,规范化的参数(比方说,经典标准化中的均值和标准差)用于规范化验
运行 Benchmark Experiment 时在多种算法上,通过调整包装器等。每种算法都会返回多个模型。 提取每个单独的调整模型(具有各种超参数)的规范方法或有效方法是什么,以便可以单独访问它们,
我正在一项任务中使用基准实验。我正在使用嵌套重采样策略( https://mlr-org.github.io/mlr-tutorial/devel/html/nested_resampling/ind
我正在使用学习器 regr.gbm 来预测计数。在 mlr 之外,直接使用 gbm 包,我使用 distribution = "poisson" 和 predict.gbm,使用 type = "re
我想问是否可以保存在参数调整过程中创建的所有模型,例如使用 tuneParams 函数。我想保存每个超参数集的每次交叉验证的模型。 我可以看到 resample 和 benchmark 函数都有 mo
我关注这个伟大的网站已经很久了。今天,当我遇到一个问题时,我终于决定创建一个帐户。 我的问题是相当基本的 vlcj 执行。我有一个程序作为音频播放器运行。除了一个我似乎无法弄清楚的问题外,一切都已完成
我想检查计算中的中间步骤,但我不知道该怎么做。 书中的例子: mutate = mlr_pipeops$get("mutate") filter = mlr_pipeops$get("filter",
我刚刚从 caret 切换过来至mlr对于我目前正在研究的一个具体问题。我想知道这里是否有人熟悉在 resample() 中指定自定义性能度量功能。 这是一个可重现的代码示例: library(mlr
我想获取 mlr 包中集成的所有聚类算法的列表。我预计此代码会返回它们,但它排除了已卸载的代码: library(mlr) listLearners("cluster") # default: cre
我是一名优秀的程序员,十分优秀!