fastLinear: fastLinear

Artikel
05/23/2023

Membuat daftar yang berisi nama fungsi dan argumen untuk melatih model Fast Linear dengan rxEnsemble.

Penggunaan

  fastLinear(lossFunction = NULL, l2Weight = NULL, l1Weight = NULL,
    trainThreads = NULL, convergenceTolerance = 0.1, maxIterations = NULL,
    shuffle = TRUE, checkFrequency = NULL, ...)

Argumen

`lossFunction`

Menentukan fungsi kehilangan empiris untuk dioptimalkan. Untuk klasifikasi biner, tersedia pilihan berikut:

logLoss: Log-loss. Ini adalah default.
hingeLoss: Kehilangan engsel SVM. Parameternya mewakili ukuran margin.
smoothHingeLoss: Kehilangan engsel yang halus. Parameternya mewakili konstanta penghalusan.
Untuk regresi linier, squaredLoss kerugian kuadrat saat ini didukung. Ketika parameter ini diatur ke NULL, nilai defaultnya tergantung pada jenis pembelajaran:
logLoss untuk klasifikasi biner.
squaredLoss untuk regresi linier.

`l2Weight`

Menentukan bobot regularisasi L2. Nilai harus non-negatif atau NULL. Jika NULL ditentukan, nilai aktual secara otomatis dihitung berdasarkan himpunan data. NULL merupakan nilai defaultnya.

`l1Weight`

Menentukan bobot regularisasi L1. Nilai harus non-negatif atau NULL. Jika NULL ditentukan, nilai aktual secara otomatis dihitung berdasarkan himpunan data. NULL merupakan nilai defaultnya.

`trainThreads`

Menentukan berapa banyak utas bersamaan yang dapat digunakan untuk menjalankan algoritma. Ketika parameter ini diatur ke NULL, jumlah utas yang digunakan ditentukan berdasarkan jumlah prosesor logis yang tersedia untuk proses serta ketersediaan data. Atur ke 1 untuk menjalankan algoritma dalam satu utas.

`convergenceTolerance`

Menentukan ambang toleransi yang digunakan sebagai kriteria konvergensi. Harus antara 0 dan 1. Nilai defaultnya adalah 0.1. Algoritma dianggap telah terkonvergensi jika kesenjangan dualitas relatif, yang merupakan rasio antara kesenjangan gandaitas dan kehilangan primal, berada di bawah toleransi konvergensi yang ditentukan.

`maxIterations`

Menentukan batas atas pada jumlah iterasi pelatihan. Parameter ini harus positif atau NULL. Jika NULL ditentukan, nilai aktual secara otomatis dihitung berdasarkan himpunan data. Setiap perulangan memerlukan pass over lengkap atas data pelatihan. Pelatihan berakhir setelah jumlah total perulangan mencapai batas atas yang ditentukan atau ketika fungsi kerugian menyatu, mana pun yang terjadi sebelumnya.

`shuffle`

Menentukan apakah akan mengacak data pelatihan. Atur TRUE untuk mengacak data; FALSE bukan mengacak. Nilai defaultnya adalah TRUE. SDCA adalah algoritma pengoptimalan stochastic. Jika pengacakan diaktifkan, data pelatihan diacak pada setiap perulangan.

`checkFrequency`

Jumlah iterasi setelah fungsi kerugian dihitung dan diperiksa untuk menentukan apakah fungsi tersebut telah terkonvergensi. Nilai yang ditentukan harus berupa bilangan bulat positif atau NULL. Jika NULL, nilai aktual secara otomatis dihitung berdasarkan himpunan data. Jika tidak, misalnya, jika checkFrequency = 5 ditentukan, maka fungsi kerugian dihitung dan konvergensi diperiksa setiap 5 iterasi. Komputasi fungsi kerugian memerlukan pass lengkap terpisah atas data pelatihan.

`...`

Argumen tambahan.

Bagikan melalui