Question

在使用插入符号R包进行训练时，我一直在尝试实现mlpKerasDropout方法。

我的代码似乎连续在10个历元中循环10个，并且似乎没有收敛。我已经研究过mlpKerasDropout.R，但正在努力了解此功能的工作原理。

外面有没有一个最小的例子，他们可以分享如何使用此功能？

非常感谢，

Answer 1

对于每个重新采样（由trainControl（）驱动），它都运行拟合。这是您在连续10个纪元中的10个纪元中看到的。每个循环都是重新采样/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时期数，该参数将通过点参数（...）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之外的其他激活函数，或提供自己的调整网格。

这是一个代码示例，该示例显示tuneLength与search ='random'的用法，并利用了早期停止以及传递给keras的历元参数。

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之后，您要在训练数据上重新拟合模型。

插入符中的mlpKerasDropout

1 个答案: