У меня есть рабочая функция, которая закодирована для оптимизации параллельной обработки (надеюсь). Я все еще не очень хорошо разбираюсь в R
, особенно в функциях и итерациях.
Я надеялся, что кто-то там сможет помочь мне оптимизировать функцию, которую я написал, вместе с дополнительным кодом, чтобы сократить время вычислений и полностью оптимизировать параметры параллельной обработки.
В частности, с использованием %do%
vs %dopar%
и перемещением дополнительного кода и функций параллельной обработки внутрь функции. Кажется, мне не удается заставить %dopar%
работать, и я не уверен, что это проблема моего кода, R
версии или конфликтующих библиотек.
Я был бы очень признателен за любые предложения о возможных способах более эффективного получения тех же результатов.
Фон:
Я использую dismo::gbm.step
для построения gbm
моделей. gbm.step
выбирает оптимальное количество деревьев с помощью k-кратной перекрестной проверки. Однако параметры сложности дерева и скорости обучения по-прежнему необходимо установить. Я понимаю, что caret::train
создан специально для этой задачи, и мне было очень интересно узнать о caret
, особенно о возможностях адаптивной передискретизации. Однако мой ответ биномиальный, и caret
не имеет возможности возвращать AUC для биномиальных распределений; Я хотел бы использовать AUC для копирования аналогичных опубликованных исследований в моей области (экология).
Я также использую dismo::gbm.simplify
позже в анализе для выявления возможных сокращенных моделей. gbm.simplify
полагается на данные, созданные при построении моделей в dismo
, и я не могу заставить их работать с моделями, построенными в caret
.
Наконец, большая часть литературы по экологии следует методам, описанным в Elith et al. 2008 "Рабочее руководство по усиленным деревьям регрессии", что и выполняет BRT в dismo
основаны на. Для целей этого исследования я хотел бы продолжать использовать dismo
для построения gbm
моделей.
Написанная мною функция тестирует несколько комбинаций tree.complexity
и learning.rate
и возвращает список из нескольких показателей производительности для каждой модели. Затем я объединяю все lists
в data.frame
для облегчения сортировки.
Цель функции
- Создайте
gbm
модель из каждой итерацииtree.complexity
иlearning.rate
. - Сохраняйте
$self.statistics$discrimination
,cv.statistics$discrimination.mean
,self.statistics$mean.resid
иcv.statistics$deviance.mean
вlist
для каждойgbm
созданной модели. - Удалите каждую
gbm
модель, чтобы сэкономить место. - Объедините каждый из списков в формат, позволяющий легко сортировать. Затем удалите каждый список.
- Выполните все вышеперечисленное таким образом, чтобы оптимизировать параллельную обработку, а также сократить время вычислений и используемую память.
Воспроизводимый пример с использованием набора данных Anguilla_train
из пакета dismo
#Load libraries
require(pacman)
p_load(gbm, dismo, TeachingDemos, foreach, doParallel, data.table)
data(Anguilla_train)
#Identify cores on current system
cores<-detectCores(all.tests = FALSE, logical = FALSE)
cores
#Create training function for gbm.step
step.train.fx=function(tree.com,learn){
#set seed for reproducibility
char2seed("StackOverflow", set = TRUE)
k1<-gbm.step(data=Anguilla_train,
gbm.x = 3:13,
gbm.y = 2,
family = "bernoulli",
tree.complexity = tree.com,
learning.rate = learn,
bag.fraction = 0.7,
prev.stratify=TRUE,
n.folds=10,
n.trees=700,
step.size=25,
silent=TRUE,
plot.main = FALSE,
n.cores=cores)
k.out=list(interaction.depth=k1$interaction.depth,
shrinkage=k1$shrinkage,
n.trees=k1$n.trees,
AUC=k1$self.statistics$discrimination,
cv.AUC=k1$cv.statistics$discrimination.mean,
deviance=k1$self.statistics$mean.resid,
cv.deviance=k1$cv.statistics$deviance.mean)
return(k.out)
}
#define complexity and learning rate
tree.complexity<-c(1:5)
learning.rate<-c(0.01,0.025,0.005,0.0025,0.001)
#setup parallel backend to use n processors
cl<-makeCluster(cores)
registerDoParallel(cl)
#Run the actual function
foreach(i = tree.complexity) %do% {
foreach(j = learning.rate) %do% {
nam=paste0("gbm_tc",i,"lr",j)
assign(nam,step.train.fx(tree.com=i,learn=j))
}
}
#Stop parallel
stopCluster(cl)
registerDoSEQ()
#disable scientific notation
options(scipen=999)
#Find all item in workspace that contain "gbm_tc"
train.all<-ls(pattern="gbm_tc")
#cbind each list that contains "gbm_tc"
train.results<-list(do.call(cbind,mget(train.all)))
#Place in a data frame
train.results<- do.call(rbind, lapply(train.results, rbind))
train.results <- data.frame(matrix(unlist(train.results),ncol=7 , byrow=T))
#Change column names
colnames(train.results)<-c("TC","LR","n.trees", "AUC", "cv.AUC", "dev", "cv.dev")
#Round 4:7
train.results[,4:7]<-round(train.results[,4:7],digits=3)
#Sort by cv.dev, cv.AUC, AUC
train.results<-train.results[order(train.results$cv.dev,-train.results$cv.AUC, -train.results$AUC),]
train.results
twoClassSummary
. Однако нелегко вернуть статистику, полученную из объекта модели (а не набора задержек пены). - person topepo   schedule 27.04.2015metric=ROC
ответ может быть биномиальным, но должен быть фактором. При использованииpredict
не будет ли это возвращать строго двоичный результат (например, 0 или 1), или я ошибаюсь? Я следил за одним из ваших замечательных пошаговых руководств, в котором вы применяете это кmutagen
набору данных, но не могу найти прямо сейчас. Я хотел бы вернуть положительную правильную дробь от 0 до 1; Я должен был упомянуть, что это для модели распространения видов. Кроме того, я полагаю, что если у меня слишком многоcaret
конкретных вопросов, мне может потребоваться начать новый вопрос. - person GNG   schedule 27.04.2015