1

在浏览了几个教程之后，我设法制作了一个脚本，该脚本成功地使用 XGBoost 来预测波士顿住房数据集的分类价格。

但是，我无法使用 CV 成功调整模型的参数。即使在从教程和帖子中尝试了几个解决方案之后，也可以在 stackowerflow 上发布。

到目前为止，我最好的结果是非常“hacky”，并且只调整了一个参数：

steps <- seq(75,90,5)/100
    for(i in steps){
    .....
    }

但我看到了所有这些花哨的设置，它们使用 MLR 或 Caret 或 NMOF 自动运行多个参数。但是，我还没有接近让任何人处理这些数据。我怀疑这是因为大多数都是为二进制分类设置的，但即使最好地解决这个问题，我也没有成功。我可以为您提供数百行不起作用的代码，但我认为最简单的方法是提供我的代码，只要它可以在这里工作，并听取您的意见，您将如何从这里取得进展，而不是陷入我糟糕的代码中。

编辑：因为我什至运行其他人的脚本都没有成功。以下是一些额外的细节：

 > packageVersion("mlr")
 ‘2.11’

 > packageVersion("xgboost")
 ‘0.6.4.1’
4

1 回答 1

2

首先，更新mlr和其他所需的软件包。然后考虑备忘单中的快速入门mlr 示例：

library(mlr)
#> Loading required package: ParamHelpers
library(mlbench)
data(Soybean)

set.seed(180715)

soy = createDummyFeatures(Soybean, target = "Class")
tsk = makeClassifTask(data = soy, target = "Class")
ho = makeResampleInstance("Holdout", tsk)
tsk.train = subsetTask(tsk, ho$train.inds[[1]])
tsk.test = subsetTask(tsk, ho$test.inds[[1]])

lrn = makeLearner("classif.xgboost", nrounds=10)
#> Warning in makeParam(id = id, type = "numeric", learner.param = TRUE, lower = lower, : NA used as a default value for learner parameter missing.
#> ParamHelpers uses NA as a special value for dependent parameters.

cv = makeResampleDesc("CV", iters=5)
res = resample(lrn, tsk.train, cv, acc)
#> Resampling: cross-validation
#> Measures:             acc
#> [Resample] iter 1:    0.9010989
#> [Resample] iter 2:    0.9230769
#> [Resample] iter 3:    0.9120879
#> [Resample] iter 4:    0.9230769
#> [Resample] iter 5:    0.9450549
#> 
#> Aggregated Result: acc.test.mean=0.9208791
#> 

# Tune hyperparameters
ps = makeParamSet(makeNumericParam("eta", 0, 1),
                  makeNumericParam("lambda", 0, 200),
                  makeIntegerParam("max_depth", 1, 20)
)
tc = makeTuneControlMBO(budget = 100)
tr = tuneParams(lrn, tsk.train, cv5, acc, ps, tc)
#> [Tune] Started tuning learner classif.xgboost for parameter set:
#>              Type len Def   Constr Req Tunable Trafo
#> eta       numeric   -   -   0 to 1   -    TRUE     -
#> lambda    numeric   -   - 0 to 200   -    TRUE     -
#> max_depth integer   -   -  1 to 20   -    TRUE     -
#> With control class: TuneControlMBO
#> Imputation value: -0
#> [Tune-x] 1: eta=0.529; lambda=194; max_depth=18
#> [Tune-y] 1: acc.test.mean=0.7846154; time: 0.0 min

# /... output truncated .../

#> [Tune-x] 100: eta=0.326; lambda=0.0144; max_depth=19
#> [Tune-y] 100: acc.test.mean=0.9340659; time: 0.0 min
#> [Tune] Result: eta=0.325; lambda=0.00346; max_depth=20 : acc.test.mean=0.9450549

lrn = setHyperPars(lrn, par.vals = tr$x)

# Evaluate performance
mdl = train(lrn, tsk.train)
prd = predict(mdl, tsk.test)

# Final model
mdl = train(lrn, tsk)

备忘单中的更多解释（使用.pptx版本，如果您不仅要复制代码，还要复制描述）。

于 2018-07-15T21:15:04.847 回答