分享方式:


rxEnsemble:集成

將一整團模型定型

使用方式

  rxEnsemble(formula = NULL, data, trainers, type = c("binary", "regression",
    "multiClass", "anomaly"), randomSeed = NULL,
    modelCount = length(trainers), replace = FALSE, sampRate = NULL,
    splitData = FALSE, combineMethod = c("median", "average", "vote"),
    maxCalibration = 1e+05, mlTransforms = NULL, mlTransformVars = NULL,
    rowSelection = NULL, transforms = NULL, transformObjects = NULL,
    transformFunc = NULL, transformVars = NULL, transformPackages = NULL,
    transformEnvir = NULL, blocksPerRead = rxGetOption("blocksPerRead"),
    reportProgress = rxGetOption("reportProgress"), verbose = 1,
    computeContext = rxGetOption("computeContext"), ...)

引數

formula

如 rxFormula 中所說明的公式。 MicrosoftML 中目前不支援互動字詞和 F()

data

指定 .xdffile 或資料框架物件的資料來源物件或字元字串。 或者,也可以是資料來源清單,表示每個模型都應該使用清單中的其中一個資料來源訓練。 在此情況下,資料清單的長度必須等於 modelCount

trainers

具有其引數的訓練器清單。 建立訓練器是使用 fastTreesfastForestfastLinearlogisticRegressionneuralNet

type

指定集成類型的字元字串:二進位分類為 "binary",迴歸為 "regression"`。

randomSeed

指定隨機種子。 預設值是 NULL

modelCount

指定要訓練的模型數目。 如果此數字大於訓練器清單的長度,則訓練器清單會重複以符合 modelCount

replace

邏輯值,指定觀測的取樣應該重複或不重複進行。 預設值為 /codeFALSE。

sampRate

正值的純量,可指定要針對每個定型模組取樣的觀察百分比。 預設值為 1.0,表示使用取代進行取樣 (亦即,replace=TRUE),若為 0.632,表示不使用取代進行取樣 (亦即,replace=FALSE)。 當 splitData 為 TRUE 時,sampRate 的預設為 1.0 (分割前不會取樣)。

splitData

邏輯值,指定是否要在非重疊的分割區上定型基本模型。 預設值為 FALSE。 僅適用於 RxSpark 計算內容,其他內容則會忽略。

combineMethod

指定用來合併模型的方法:

  • median 可計算個別模型輸出的中位數,
  • average 可計算個別模型輸出的平均值,而
  • vote 可計算模型的 (pos-neg)/總數,其中 'pos' 是正輸出的數目,而 'neg' 則是負輸出的數目。

maxCalibration

指定用於校正的範例數目上限。 除了二元分類之外,所有其他工作都會忽略此引數。

mlTransforms

指定於訓練前在資料上執行的 MicrosoftML 轉換清單,若沒有任何轉換要執行時,則指定為 NULL。 不允許需要額外忽略資料的轉換 (例如 featurizeTextcategorical)。 這些轉換會在任何指定的 R 轉換之後執行。 預設值是 NULL

mlTransformVars

指定要用於 mlTransforms 的變數名稱字元向量,或者,若不使用則為 NULL。 預設值是 NULL

rowSelection

指定資料集中要供模型使用的資料列 (觀測值),可以是來自資料集的邏輯變數名稱 (以引號括住),或是使用資料集中變數的邏輯運算式。 例如,rowSelection = "old" 將只會使用變數 old 值為 TRUE 的觀測值。 rowSelection = (age > 20) & (age < 65) & (log(income) > 10) 只會使用 age 變數值介於 20 到 65 之間且 income 變數 log 值大於 10 的觀察值。 資料列選取會在處理任何資料轉換之後執行 (請參閱引數 transformstransformFunc)。 如同所有運算式,rowSelection 可以使用運算式函數在函數呼叫之外定義。

transforms

代表第一輪變數轉換形式 list(name = expression, ``...) 的運算式。 如同所有運算式,transforms (或 rowSelection) 可以使用運算式函數在函數呼叫之外定義。 預設值是 NULL

transformObjects

具名清單,其中包含 transformstransformsFuncrowSelection 可以參考的物件。 預設值是 NULL

transformFunc

變數轉換函數。 如需詳細資料,請參閱 rxTransform。 預設值是 NULL

transformVars

轉換函數所需之輸入資料集變數的字元向量。 如需詳細資料,請參閱 rxTransform。 預設值是 NULL

transformPackages

一個字元向量,用以指定要供作使用,以及預先載入以在變數轉換函數中使用的其他 R 套件 (在 rxGetOption("transformPackages") 中指定的套件之外)。 例如,RevoScaleR 函數中透過其 transformstransformFunc 引數明確定義,或透過其 formularowSelection 引數隱含定義的字元向量。 transformPackages 引數也可以是 NULL,表示不預先載入 rxGetOption("transformPackages") 之外的套件。 預設值是 NULL

transformEnvir

使用者定義的環境,作為內部開發之所有環境的父系且用於變數資料轉換。 如果 transformEnvir = NULL,則會改用具有父系 baseenv() 的新「雜湊」環境。 預設值是 NULL

blocksPerRead

指定要針對從資料來源讀取之每個資料區塊讀取的區塊數目。

reportProgress

指定資料列處理進度報告層級的整數值:

  • 0:未報告進度。
  • 1:已列印和更新處理的資料列數目。
  • 2:報告已處理的資料列數目與時間。
  • 3:已處理資料列且已報告所有時間。

verbose

指定要輸出數量的整數值。 若為 0,則計算期間不會列印任何詳細資訊輸出。 整數值 14 提供越來越多的資訊量。 預設值是 1

computeContext

設定執行計算的內容,以有效的 RxComputeCoNtext 指定。 目前支援本機和 RxSpark 計算內容。 指定 RxSpark 時,會以分散式方式完成模型的訓練,並在本機完成集成。 請注意,計算內容不可為非等待中。

...

直接傳遞至 Microsoft Compute Engine 的額外引數。

詳細資料

/coderxEnsemble 是一個函數,可訓練各種類型的數個模型,以取得與從單一模型取得的效能相比更佳的預測效能。

具有已訓練集成模型的 rxEnsemble 物件。

範例


 # Create an ensemble of regression rxFastTrees models

 # use xdf data source
 dataFile <- file.path(rxGetOption("sampleDataDir"), "claims4blocks.xdf")
 rxGetInfo(dataFile, getVarInfo = TRUE, getBlockSizes = TRUE)
 form <- cost ~ age + type + number

 rxSetComputeContext("localpar")
 rxGetComputeContext()

 # build an ensemble model that contains three 'rxFastTrees' models with different parameters
 ensemble <- rxEnsemble(
     formula = form,
     data = dataFile,
     type = "regression",
     trainers = list(fastTrees(), fastTrees(numTrees = 60), fastTrees(learningRate = 0.1)), #a list of trainers with their arguments.
     replace = TRUE # Indicates using a bootstrap sample for each trainer
     )

 # use text data source
 colInfo <- list(DayOfWeek = list(type = "factor", levels = c("Monday", "Tuesday", "Wednesday", "Thursday", "Friday", "Saturday", "Sunday")))

 source <- system.file("SampleData/AirlineDemoSmall.csv", package = "RevoScaleR")
 data <- RxTextData(source, missingValueString = "M", colInfo = colInfo)

 # When 'distributed' is TRUE distributed data source is created
 distributed <- FALSE
 if (distributed) {
     bigDataDirRoot <- "/share"
     inputDir <- file.path(bigDataDirRoot, "AirlineDemoSmall")
     rxHadoopMakeDir(inputDir)
     rxHadoopCopyFromLocal(source, inputDir)
     hdfsFS <- RxHdfsFileSystem()
     data <- RxTextData(file = inputDir, missingValueString = "M", colInfo = colInfo, fileSystem = hdfsFS)
 }

 # When 'distributed' is TRUE training is distributed
 if (distributed) {
     cc <- rxSetComputeContext(RxSpark())
 } else {
     cc <- rxGetComputeContext()
 }

 ensemble <- rxEnsemble(
     formula = ArrDelay ~ DayOfWeek,
     data = data,
     type = "regression",
     trainers = list(fastTrees(), fastTrees(numTrees = 60), fastTrees(learningRate = 0.1)), # The ensemble will contain three 'rxFastTrees' models
     replace = TRUE # Indicates using a bootstrap sample for each trainer
     )

 # Change the compute context back to previous for scoring
 rxSetComputeContext(cc)

 # Put score and model variables in data frame
 scores <- rxPredict(ensemble, data = data, writeModelVars = TRUE)

 # Plot actual versus predicted values with smoothed line
 rxLinePlot(Score ~ ArrDelay, type = c("p", "smooth"), data = scores)