时间戳

首页 > 解决方案 > 插入符号中的 mlpKerasDropout

r - 插入符号中的 mlpKerasDropout

问题描述

在使用 caret R 包进行训练时，我一直在尝试实现 mlpKerasDropout 方法。

我的代码似乎连续循环通过 10 个周期中的 10 个，并且似乎没有收敛。我研究过mlpKerasDropout.R，但很难理解这个函数是如何工作的。

有没有人有一个最小的例子，他们可以分享如何使用这个功能？

非常感谢，

标签： rkerasr-caret

解决方案

对于每个重采样（由 trainControl() 驱动），它都在运行。这就是您在 10 个 epoch 中的 10 个连续循环时看到的情况。每个循环都是适合的重新采样/折叠。您可以通过将 epochs 参数设置为 train 来更改超参数调整时使用的 epoch 数，该参数将通过点 args (...) 传递给训练方法“mlpKerasDropout”

在此处查看 mlpKerasDropout 的代码：https ://github.com/topepo/caret/blob/master/models/files/mlpKerasDropout.R

默认情况下，超参数的搜索参数设置为“网格”，但您可能希望将其设置为“随机”，以便它尝试除 relu 之外的不同激活函数，或提供您自己的调整网格。

这是一个代码示例，显示了使用 search='random' 的 tuneLength，并利用了提前停止以及传递给 keras 的 epochs 参数。

tune_model <- train(x, y, 
           method = "mlpKerasDropout",
           preProc = c('center', 'scale', 'spatialSign'),
           trControl = trainControl(search = 'random', classProbs = T, 
              summaryFunction = mnLogLoss, allowParallel = TRUE),
           metric = 'logLoss',
           tuneLength = 20, 
# keras arguments following
validation_split = 0.25,
           callbacks = list(
                keras::callback_early_stopping(monitor = "val_loss", mode = "auto", 
                  patience = 20, restore_best_weights = TRUE)
              ),
            epochs = 500)

请记住，在完成超参数调整 CV 后，您希望在训练数据上重新拟合模型。

推荐阅读