Вложенная повторная выборка + LASSO (regr.cvglment) с использованием млр

Я пытаюсь провести вложенную повторную выборку с 10 CV для внутреннего и 10 CV для внешнего цикла, используя regr.cvglment. Mlr предоставляет код с помощью функции-оболочки ( https://mlr-org.github.io/mlr/articles/tutorial/devel/nested_resampling.html)

Теперь я просто обменял две вещи из их кода, предоставленного 1) "regr.cvglmnet" вместо машины опорных векторов (ksvm) 2) количество итераций для внутреннего и внешнего цикла

После функции lrn я получаю ошибку, указанную ниже. Может ли кто-нибудь объяснить это мне? Я совершенно новичок в программировании и машинном обучении, поэтому я мог сделать что-то довольно глупое в коде....

ps = makeParamSet(
  makeDiscreteParam("C", values = 2^(-12:12)),
  makeDiscreteParam("sigma", values = 2^(-12:12))
)
ctrl = makeTuneControlGrid()
inner = makeResampleDesc("Subsample", iters = 10)
lrn = makeTuneWrapper("regr.cvglmnet", resampling = inner, par.set = ps, 
                      control = ctrl, show.info = FALSE)

# Error in checkTunerParset(learner, par.set, measures, control) : 
# Can only tune parameters for which learner parameters exist: C,sigma

### Outer resampling loop
outer = makeResampleDesc("CV", iters = 10) 
r = resample(lrn, iris.task, resampling = outer, extract = getTuneResult, 
             show.info = FALSE)
Источник

2 ответа

Решение

При использовании LASSO с glmnet, вам нужно только настроить s, Это важный параметр, который используется, когда модель прогнозирует новые данные. параметр lambda не имеет абсолютно никакого влияния из-за того, как пакет закодирован на прогноз. Если вы установите s отличается от всего lambda значения были выбраны, модель будет заменена s в качестве срока наказания.

По умолчанию несколько моделей с различными lambda значения устанавливаются во время train вызов. Тем не менее, для прогнозирования новая модель будет установлена ​​с использованием лучших lambda значение. Таким образом, на самом деле настройка выполняется на этапе прогнозирования.

Хорошие диапазоны по умолчанию для s может быть выбран

  1. Обучение модели со значениями по умолчанию от glmnet
  2. Проверьте минимальное и максимальное значения lambda
  3. Используйте их как нижнюю и верхнюю границы для s затем настраивается с помощью mlr

Смотрите также это обсуждение.

library(mlr)
#> Loading required package: ParamHelpers

lrn_glmnet <- makeLearner("regr.glmnet",
                          alpha = 1,
                          intercept = FALSE)

# check lambda
glmnet_train = mlr::train(lrn_glmnet, bh.task)
summary(glmnet_train$learner.model$lambda)
#>    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
#>   143.5   157.4   172.8   174.3   189.6   208.1

# set limits
ps_glmnet <- makeParamSet(makeNumericParam("s", lower = 140, upper = 208))

# tune params in parallel using a grid search for simplicity
tune.ctrl = makeTuneControlGrid()
inner <- makeResampleDesc("CV", iters = 2)

configureMlr(on.learner.error = "warn", on.error.dump = TRUE)
library(parallelMap)
parallelStart(mode = "multicore", level = "mlr.tuneParams", cpus = 4,
              mc.set.seed = TRUE) # only parallelize the tuning
#> Starting parallelization in mode=multicore with cpus=4.
set.seed(12345)
params_tuned_glmnet = tuneParams(lrn_glmnet, task = bh.task, resampling = inner,
                                 par.set = ps_glmnet, control = tune.ctrl, 
                                 measure = list(rmse))
#> [Tune] Started tuning learner regr.glmnet for parameter set:
#>      Type len Def     Constr Req Tunable Trafo
#> s numeric   -   - 140 to 208   -    TRUE     -
#> With control class: TuneControlGrid
#> Imputation value: Inf
#> Mapping in parallel: mode = multicore; cpus = 4; elements = 10.
#> [Tune] Result: s=140 : rmse.test.rmse=17.9803086
parallelStop()
#> Stopped parallelization. All cleaned up.

# train the model on the whole dataset using the `s` value from the tuning

lrn_glmnet_tuned <- makeLearner("regr.glmnet",
                                alpha = 1,
                                s = 140,
                                intercept = FALSE)
#lambda = sort(seq(0, 5, length.out = 100), decreasing = T))
glmnet_train_tuned = mlr::train(lrn_glmnet_tuned, bh.task)

Создано в 2018-07-03 пакетом представлением (v0.2.0).

devtools::session_info()
#> Session info -------------------------------------------------------------
#>  setting  value                       
#>  version  R version 3.5.0 (2018-04-23)
#>  system   x86_64, linux-gnu           
#>  ui       X11                         
#>  language (EN)                        
#>  collate  en_US.UTF-8                 
#>  tz       Europe/Berlin               
#>  date     2018-07-03
#> Packages -----------------------------------------------------------------
#>  package      * version   date       source         
#>  backports      1.1.2     2017-12-13 CRAN (R 3.5.0) 
#>  base         * 3.5.0     2018-06-04 local          
#>  BBmisc         1.11      2017-03-10 CRAN (R 3.5.0) 
#>  bit            1.1-14    2018-05-29 cran (@1.1-14) 
#>  bit64          0.9-7     2017-05-08 CRAN (R 3.5.0) 
#>  blob           1.1.1     2018-03-25 CRAN (R 3.5.0) 
#>  checkmate      1.8.5     2017-10-24 CRAN (R 3.5.0) 
#>  codetools      0.2-15    2016-10-05 CRAN (R 3.5.0) 
#>  colorspace     1.3-2     2016-12-14 CRAN (R 3.5.0) 
#>  compiler       3.5.0     2018-06-04 local          
#>  data.table     1.11.4    2018-05-27 CRAN (R 3.5.0) 
#>  datasets     * 3.5.0     2018-06-04 local          
#>  DBI            1.0.0     2018-05-02 cran (@1.0.0)  
#>  devtools       1.13.6    2018-06-27 CRAN (R 3.5.0) 
#>  digest         0.6.15    2018-01-28 CRAN (R 3.5.0) 
#>  evaluate       0.10.1    2017-06-24 CRAN (R 3.5.0) 
#>  fastmatch      1.1-0     2017-01-28 CRAN (R 3.5.0) 
#>  foreach        1.4.4     2017-12-12 CRAN (R 3.5.0) 
#>  ggplot2        2.2.1     2016-12-30 CRAN (R 3.5.0) 
#>  git2r          0.21.0    2018-01-04 CRAN (R 3.5.0) 
#>  glmnet         2.0-16    2018-04-02 CRAN (R 3.5.0) 
#>  graphics     * 3.5.0     2018-06-04 local          
#>  grDevices    * 3.5.0     2018-06-04 local          
#>  grid           3.5.0     2018-06-04 local          
#>  gtable         0.2.0     2016-02-26 CRAN (R 3.5.0) 
#>  htmltools      0.3.6     2017-04-28 CRAN (R 3.5.0) 
#>  iterators      1.0.9     2017-12-12 CRAN (R 3.5.0) 
#>  knitr          1.20      2018-02-20 CRAN (R 3.5.0) 
#>  lattice        0.20-35   2017-03-25 CRAN (R 3.5.0) 
#>  lazyeval       0.2.1     2017-10-29 CRAN (R 3.5.0) 
#>  magrittr       1.5       2014-11-22 CRAN (R 3.5.0) 
#>  Matrix         1.2-14    2018-04-09 CRAN (R 3.5.0) 
#>  memoise        1.1.0     2017-04-21 CRAN (R 3.5.0) 
#>  memuse         4.0-0     2017-11-10 CRAN (R 3.5.0) 
#>  methods      * 3.5.0     2018-06-04 local          
#>  mlr          * 2.13      2018-07-01 local          
#>  munsell        0.5.0     2018-06-12 CRAN (R 3.5.0) 
#>  parallel       3.5.0     2018-06-04 local          
#>  parallelMap  * 1.3       2015-06-10 CRAN (R 3.5.0) 
#>  ParamHelpers * 1.11      2018-06-25 CRAN (R 3.5.0) 
#>  pillar         1.2.3     2018-05-25 CRAN (R 3.5.0) 
#>  plyr           1.8.4     2016-06-08 CRAN (R 3.5.0) 
#>  Rcpp           0.12.17   2018-05-18 cran (@0.12.17)
#>  rlang          0.2.1     2018-05-30 CRAN (R 3.5.0) 
#>  rmarkdown      1.10      2018-06-11 CRAN (R 3.5.0) 
#>  rprojroot      1.3-2     2018-01-03 CRAN (R 3.5.0) 
#>  RSQLite        2.1.1     2018-05-06 cran (@2.1.1)  
#>  scales         0.5.0     2017-08-24 CRAN (R 3.5.0) 
#>  splines        3.5.0     2018-06-04 local          
#>  stats        * 3.5.0     2018-06-04 local          
#>  stringi        1.2.3     2018-06-12 CRAN (R 3.5.0) 
#>  stringr        1.3.1     2018-05-10 CRAN (R 3.5.0) 
#>  survival       2.42-3    2018-04-16 CRAN (R 3.5.0) 
#>  tibble         1.4.2     2018-01-22 CRAN (R 3.5.0) 
#>  tools          3.5.0     2018-06-04 local          
#>  utils        * 3.5.0     2018-06-04 local          
#>  withr          2.1.2     2018-03-15 CRAN (R 3.5.0) 
#>  XML            3.98-1.11 2018-04-16 CRAN (R 3.5.0) 
#>  yaml           2.1.19    2018-05-01 CRAN (R 3.5.0)
Источник

Сообщение об ошибке говорит вам, что вы не можете настроить параметры, о которых mlr не знает для этого ученика - regr.cvglmnet не имеет C а также sigma параметры. Вы можете получить параметры, о которых узнает млр, для ученика с помощью getLearnerParamSet() функция:

> getLearnerParamSet (makeLearner ("regr.cvglmnet"))
                          Тип len        Def                Constr Req
семейный дискретный - гауссовский гауссовский, пуассоновский -
буквенно-цифровой - от 1 0 до 1   -
nfolds                 integer    -         10              3 до Inf   -
t ype.measure дискретный -        mse               mse,mae   -
с дискретным - лямбда.1се лямбда.1се, лямбда.мин -
целое число лямбда - 100 1 до Inf -
lambda.min.ratio numeric - - от 0 до 1 -
стандартизировать логическое - ИСТИНА - -
перехватить логический - ИСТИНА - -
молотить -      1e-07              0 до Inf -
целое dfmax - - от 0 до Inf -
pmax целое число - от 0 до Inf -
исключить целочисленный вектор - от 1 до Inf -
штраф.фактор числовой вектор - от 0 до 1 -
нижний предел числовой вектор - -Inf в 0 -
upper.limits числовой вектор - от 0 до Inf -
максимальное целое число - 100000 от 1 до Inf -
t ype.gaussian discrete - - ковариация, наивный -
fdev числовой -      1e-05                0 до 1   -
devmax числовой - 0,999                0 к 1 -
EPS числовой -      1e-06                0 до 1 -
большое числовое значение -    9,9e+35           -Inf to Inf   -
mnlam                  integer    -          5              1 до Inf -
число пмин -      1e-09                0 до 1 -
exmx числовой - от 250           -Inf до Inf -
предварительное число - 1e-10 -Inf до Inf -
mxit integer - 100 1 до Inf   -
                 Tunable Trafo
семья ИСТИНА -
альфа ИСТИНА -
nfolds TRUE -
t ype.measure TRUE -
с ИСТИНА -
Nlambda             TRUE     -
lambda.min.ratio    TRUE     -
стандартизировать ИСТИНА -
перехват ИСТИНА -
молотить ИСТИНА -
dfmax TRUE -
pmax TRUE -
исключить ИСТИНА -
штраф.фактор ИСТИНА -
нижний предел ИСТИНА -
upper.limits TRUE -
maxit TRUE -
t ype.gaussian       TRUE     -
fdev                TRUE     -
devmax              TRUE     -
EPS TRUE -
большой ИСТИНА -
mnlam TRUE -
pmin TRUE -
exmx TRUE -
предварительно ИСТИНА -
mxit TRUE -

Вы можете использовать любой из этих параметров для определения допустимого набора параметров для настройки данного конкретного ученика, например:

ps = makeParamSet (makeDiscreteParam ("family", values ​​= c("gaussian", "poisson")),
  makeDiscreteParam("альфа", значения = 0,1*0:10))
Источник
Другие вопросы по тегам