我正在尝试使用reg.cvglment对内循环和外循环分别进行10个CV的嵌套重采样。Mlr使用包装函数提供代码(https://mlr-org.github.io/mlr/articles/tutorial/devel/nested_resampling.html)
现在，我刚刚从他们提供的代码中交换了两件事1) 用"regr.cvglmnet"代替支持向量机(ksvm)2) 内环和外环的迭代次数
在lrn函数之后，我得到下面指定的错误。有人能给我解释一下吗？我对编码和机器学习完全陌生，所以我可能在代码中做了一些非常愚蠢的事情。。。。
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)
将LASSO与glmnet一起使用时，只需要调整s。这是模型预测新数据时使用的重要参数。由于包对预测的编码方式，参数lambda绝对没有影响。如果将s设置为不同于已选择的lambda值，则模型将使用s作为惩罚项进行改装。
默认情况下，在train调用期间，会拟合具有各种lambda值的多个模型。然而，对于预测，将使用最佳lambda值来拟合新模型。因此，实际上调整是在预测步骤中完成的。
可以选择s的良好默认范围
- 使用
glmnet中的默认值训练模型 - 检查
lambda的最小值和最大值 - 使用这些作为
s的下限和上限，然后使用mlr进行调整
另请参阅此讨论。
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)
创建于2018-07-03由reprex包(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)
错误消息告诉您，您无法为该学习者调整mlr不知道的参数——regr.cvglmnet没有C和sigma参数。你可以通过getLearnerParamSet()函数获得mlr知道的学习者的参数：
>getLearnerParamSet(makeLearner("regr.cvglmnet"))类型定义构造需求家族离散-高斯-高斯，泊松-字母数字-1 0到1-nfolds integer-10 3到Inf-type.measure离散-mse mse，mae-s离散-λ.1seλ1se，λ.min-nlambda整数-100 1到Inf-lambda.min.ratio数字-0到1-标准化逻辑-TRUE--截取逻辑-真--阈值数字-1e-07 0到Inf-dfmax整数--0到Inf-pmax整数--0到Inf-排除整数向量-1到Inf-penalty.factor数字矢量-0到1-下限numericvector--Inf为0-上限。将numericvector-0限制为Inf-最大整数-100000 1到Inf-类型.高斯离散--协方差，朴素-fdev数字-1e-05 0到1-devmax数值-0.999 0到1-eps数字-1e-06 0到1-大数字-9.9e+35-Inf到Inf-mnlam整数-5 1到Inf-pmin数字-1e-09 0到1-exmx数字-250-Inf到Inf-prec数字-1e-10-Inf到Inf-mxit整数-100 1到Inf-可调流量家庭真实-alpha TRUE-nfolds TRUE-type.measure TRUE-s正确-nlambda TRUE-lambda.min.ratio真-标准化TRUE-截距TRUE-阈值为真-dfmax真-pmax真-排除TRUE-惩罚因子TRUE-下限为真-上限为真-最大值TRUE-类型.高斯TRUE-fdev真-devmax TRUE-eps真-大TRUE-mnlam TRUE-pmin TRUE-exmx真-prec TRUE-mxit TRUE-
您可以使用这些参数中的任何一个来定义用于调整此特定学习器的有效参数集，例如：
ps=makeParamSet(makeDiscreteParam("族"，values=c("高斯"，"泊松"))，makeDiscreteParam("alpha"，值=0.1*0:10))