rxFastLinear : Modèle linéaire rapide - Élévation stochastique à double coordonnée

Article
05/23/2023

Système d'apprentissage à l'optimisation de l'élévation stochastique à double coordonnée (Stochastic Dual Coordinate Ascent - SDCA) pour la classification et la régression binaires linéaires.

rxFastLinear est un système d'apprentissage basé sur la méthode de l'élévation stochastique à double coordonnée (Stochastic Dual Coordinate Ascent - SDCA), une technique d'optimisation de pointe pour les fonctions objectives convexes. L'algorithme peut être mis à l'échelle pour être utilisé sur des jeux de données volumineux hors mémoire grâce à une implémentation semi-asynchronisée qui prend en charge le multithreading. mises à jour des solutions primale et duale dans un thread distinct. Plusieurs choix de fonctions de perte sont également proposés. La méthode SDCA combine plusieurs des meilleures propriétés et capacités des algorithmes de régression logistique et SVM. Pour plus d'informations sur la méthode SDCA, consultez les citations de la section de référence.

Les algorithmes d'optimisation traditionnels, comme la descente de gradient stochastique (SGD), optimisent directement la fonction de perte empirique. Le méthode SDCA choisit une approche différente qui optimise plutôt le problème dual. La fonction de perte du dual est paramétrée par des pondérations par exemple. Dans chaque itération, lorsqu'un exemple d'apprentissage du jeu de données d'apprentissage est lu, la pondération de l'exemple correspondant est ajustée de manière à ce que la fonction de perte du dual soit optimisée par rapport à l'exemple actuel. Aucun taux d'apprentissage n'est requis par la méthode SDCA pour déterminer la taille du pas comme c'est le cas pour les autres méthodes de descente de gradient.

rxFastLinear prend actuellement en charge la classification binaire avec trois types de fonctions de perte : perte logarithmique, perte de charnière et perte de charnière lissée. La régression linéaire prend également en charge la fonction de perte au carré. La régularisation du réseau élastique peut être spécifiée par les paramètres l2Weight et l1Weight. Notez que l2Weight a un effet sur le taux de convergence. En général, plus l2Weight est important, plus la convergence de SDCA est rapide.

Notez que rxFastLinear est un algorithme d'optimisation stochastique et de diffusion en continu. Les résultats dépendent de l’ordre des données d’apprentissage. Pour des résultats reproductibles, il est recommandé de définir shuffle sur FALSE et trainThreads sur 1.

Utilisation

  rxFastLinear(formula = NULL, data, type = c("binary", "regression"),
    lossFunction = NULL, l2Weight = NULL, l1Weight = NULL,
    trainThreads = NULL, convergenceTolerance = 0.1, maxIterations = NULL,
    shuffle = TRUE, checkFrequency = NULL, normalize = "auto",
    mlTransforms = NULL, mlTransformVars = NULL, rowSelection = NULL,
    transforms = NULL, transformObjects = NULL, transformFunc = NULL,
    transformVars = NULL, transformPackages = NULL, transformEnvir = NULL,
    blocksPerRead = rxGetOption("blocksPerRead"),
    reportProgress = rxGetOption("reportProgress"), verbose = 1,
    computeContext = rxGetOption("computeContext"),
    ensemble = ensembleControl(), ...)

Arguments

`formula`

La formule décrite dans rxFormula. Les termes d’interaction et F() ne sont actuellement pas pris en charge dans MicrosoftML.

`data`

Objet source de données ou chaîne de caractères spécifiant un fichier .xdf ou un objet de trame de données.

`type`

Spécifie le type de modèle avec une chaîne de caractères : "binary" pour la classification binaire par défaut ou "regression" pour la régression linéaire.

`lossFunction`

Spécifie la fonction de perte empirique à optimiser. Pour la classification binaire, les choix suivants sont disponibles :

logLoss : la perte logarithmique. Il s’agit de la valeur par défaut.
hingeLoss : la perte de charnière SVM. Son paramètre représente la taille de la marge.
smoothHingeLoss : la perte de charnière lissée. Son paramètre représente la constante de lissage.
Pour la régression linéaire, la perte au carré squaredLoss est actuellement prise en charge. Lorsque ce paramètre est défini sur NULL, sa valeur par défaut dépend du type d'apprentissage :
logLoss pour la classification binaire.
squaredLoss pour la régression linéaire.

`l2Weight`

Spécifie la pondération de la régularisation L2. La valeur doit être soit non négative, soit NULL. Si NULL est spécifié, la valeur réelle est automatiquement calculée en fonction du jeu de données. NULL est la valeur par défaut.

`l1Weight`

Spécifie la pondération de la régularisation L1. La valeur doit être soit non négative, soit NULL. Si NULL est spécifié, la valeur réelle est automatiquement calculée en fonction du jeu de données. NULL est la valeur par défaut.

`trainThreads`

Spécifie le nombre de threads simultanés qui peuvent être utilisés pour exécuter l'algorithme. Lorsque ce paramètre est défini sur NULL, le nombre de threads utilisés est déterminé en fonction du nombre de processeurs logiques disponibles pour le processus, ainsi que de la densité des données. Définissez-le sur 1 pour exécuter l'algorithme dans un seul thread.

`convergenceTolerance`

Spécifie le seuil de tolérance utilisé comme critère de convergence. Il doit être compris entre 0 et 1. La valeur par défaut est 0.1. L'algorithme est considéré comme ayant convergé si le saut de dualité relatif, qui correspond au rapport entre le saut de dualité et la perte du primal, passe en dessous de la tolérance de convergence spécifiée.

`maxIterations`

Spécifie une limite supérieure pour le nombre d'itérations d'apprentissage. Ce paramètre doit être positif ou NULL. Si NULL est spécifié, la valeur réelle est automatiquement calculée en fonction du jeu de données. Chaque itération nécessite un passage complet sur les données d'apprentissage. L'apprentissage se termine lorsque le nombre total d'itérations atteint la limite supérieure spécifiée ou lorsque la fonction de perte converge, selon la première éventualité.

`shuffle`

Spécifie si les données d'apprentissage doivent être mélangées. Spécifiez TRUE pour mélanger les données ou FALSE pour ne pas les mélanger. La valeur par défaut est TRUE. SDCA est un algorithme d'optimisation stochastique. Si la lecture aléatoire est activée, les données d'apprentissage sont mélangées à chaque itération.

`checkFrequency`

Nombre d'itérations après lesquelles la fonction de perte est calculée et vérifiée pour déterminer si elle a convergé. La valeur spécifiée doit être un nombre entier positif ou NULL. Si NULL est spécifié, la valeur réelle est automatiquement calculée en fonction du jeu de données. Sinon, par exemple, si checkFrequency = 5 est spécifié, la fonction de perte est calculée et la convergence est vérifiée toutes les 5 itérations. Le calcul de la fonction de perte nécessite un passage complet distinct sur les données d'apprentissage.

`normalize`

Spécifie le type de normalisation automatique utilisé :

"auto" : si une normalisation est nécessaire, elle est effectuée automatiquement. Il s’agit de la valeur par défaut.
"no" : aucune normalisation n’est effectuée.
"yes" : la normalisation est effectuée.
"warn" : si la normalisation est nécessaire, un message d’avertissement s’affiche, mais la normalisation n’est pas effectuée.
La normalisation redimensionne les plages de données disparates à une échelle standard. La mise à l’échelle des caractéristiques garantit que les distances entre les points de données sont proportionnelles et permet aux différentes méthodes d’optimisation, comme la descente de gradient, de converger beaucoup plus rapidement. Si la normalisation est effectuée, un normaliseur MaxMin est utilisé. Celui-ci normalise les valeurs dans un intervalle [a, b] où -1 <= a <= 0, 0 <= b <= 1 et b - a = 1. Ce normaliseur conserve la densité en mappant zéro à zéro.

`mlTransforms`

Spécifie la liste des transformations MicrosoftML à effectuer sur les données avant l’entraînement, ou NULL si aucune transformation ne doit être effectuée. Consultez featurizeText, categorical et categoricalHash pour les transformations prises en charge. Ces transformations sont effectuées après les transformations R spécifiées. La valeur par défaut est NULL.

`mlTransformVars`

Spécifie un vecteur de caractères des noms de variables à utiliser dans mlTransforms ou NULL si aucun ne doit être utilisé. La valeur par défaut est NULL.

`rowSelection`

Spécifie les lignes (observations) du jeu de données qui doivent être utilisées par le modèle avec le nom d’une variable logique du jeu de données (entre guillemets) ou avec une expression logique utilisant des variables dans le jeu de données. Par exemple, rowSelection = "old" utilise uniquement les observations dans lesquelles la valeur de la variable old est TRUE. rowSelection = (age > 20) & (age < 65) & (log(income) > 10) utilise uniquement les observations dans lesquelles la valeur de la variable age est comprise entre 20 et 65, et la valeur log de la variable income est supérieure à 10. La sélection de ligne est effectuée après le traitement de toutes les transformations de données (consultez les arguments transforms ou transformFunc). Comme pour toutes les expressions, rowSelection peut être défini en dehors de l’appel de fonction à l’aide de la fonction d’expression.

`transforms`

Expression de la forme list(name = expression, ``...) qui représente la première série de transformations de variables. Comme pour toutes les expressions, transforms (ou rowSelection) peut être défini en dehors de l’appel de fonction à l’aide de la fonction d’expression.

`transformObjects`

Liste nommée qui contient des objets qui peuvent être référencés par transforms, transformsFunc et rowSelection.

`transformFunc`

Fonction de transformation de variables. Pour plus d’informations, consultez rxTransform.

`transformVars`

Vecteur de caractère des variables de jeu de données d’entrée nécessaires pour la fonction de transformation. Pour plus d’informations, consultez rxTransform.

`transformPackages`

Vecteur de caractères spécifiant les packages R supplémentaires (en dehors de ceux spécifiés dans rxGetOption("transformPackages")) qui doivent être mis à disposition et préchargés pour être utilisés dans les fonctions de transformation de variables. Par exemple, ceux définis explicitement dans les fonctions RevoScaleR via leurs arguments transforms et transformFunc ou ceux définis implicitement via leurs arguments formula ou rowSelection. L’argument transformPackages peut également être NULL, ce qui indique qu’aucun package n’est préchargé en dehors de rxGetOption("transformPackages").

`transformEnvir`

Environnement défini par l’utilisateur qui sert de parent à tous les environnements développés en interne et qui est utilisé pour la transformation de données variables. Si transformEnvir = NULL, un nouvel environnement de « hachage » avec le parent baseenv() est utilisé à la place.

`blocksPerRead`

Spécifie le nombre de blocs à lire pour chaque segment de données lu à partir de la source de données.

`reportProgress`

Valeur entière qui spécifie le niveau de création de rapports sur la progression du traitement de la ligne :

0 : aucune progression n’est signalée.
1 : le nombre de lignes traitées est imprimé et mis à jour.
2 : les lignes traitées et les minutages sont signalés.
3 : les lignes traitées et l’ensemble des minutages sont signalés.

`verbose`

Valeur entière qui spécifie la quantité de sortie souhaitée. Si la valeur est 0, aucune sortie détaillée n’est imprimée au cours des calculs. Les valeurs entières de 1 à 4 fournissent des quantités d’informations croissantes.

`computeContext`

Définit le contexte dans lequel les calculs sont exécutés, spécifiés avec un contexte RxComputeContext valide. Actuellement, les contextes de calcul locaux et RxInSqlServer sont pris en charge.

`ensemble`

Paramètres de contrôle pour l’apprentissage ensembliste.

`...`

Arguments supplémentaires à passer directement au moteur de calcul Microsoft.

Valeur

rxFastLinear : un objet rxFastLinear avec le modèle entraîné.

FastLinear : un objet de spécification d’apprenant de classe maml pour le formateur linéaire rapide.

Notes

Cet algorithme est multithread et ne tente pas de charger l'intégralité du jeu de données dans la mémoire.

Auteur(s)

Microsoft Corporation Microsoft Technical Support

Références

Scaling Up Stochastic Dual Coordinate Ascent

Stochastic Dual Coordinate Ascent Methods for Regularized Loss Minimization

Voir aussi

logLoss, hingeLoss, smoothHingeLoss, squaredLoss, rxFastTrees, rxFastForest, rxLogisticRegression, rxNeuralNet, rxOneClassSvm, featurizeText, categorical, categoricalHash, rxPredict.mlModel.

Exemples


 # Train a binary classiication model with rxFastLinear
 res1 <- rxFastLinear(isCase ~ age + parity + education + spontaneous + induced,
                   transforms = list(isCase = case == 1),
                   data = infert,
                   type = "binary")
 # Print a summary of the model
 summary(res1)

 # Score to a data frame
 scoreDF <- rxPredict(res1, data = infert, 
     extraVarsToWrite = "isCase")

 # Compute and plot the Radio Operator Curve and AUC
 roc1 <- rxRoc(actualVarName = "isCase", predVarNames = "Probability", data = scoreDF) 
 plot(roc1)
 rxAuc(roc1)

 #########################################################################
 # rxFastLinear Regression

 # Create an xdf file with the attitude data
 myXdf <- tempfile(pattern = "tempAttitude", fileext = ".xdf")
 rxDataStep(attitude, myXdf, rowsPerRead = 50, overwrite = TRUE)
 myXdfDS <- RxXdfData(file = myXdf)

 attitudeForm <- rating ~ complaints + privileges + learning + 
     raises + critical + advance

 # Estimate a regression model with rxFastLinear 
 res2 <- rxFastLinear(formula = attitudeForm,  data = myXdfDS, 
     type = "regression")

 # Score to data frame
 scoreOut2 <- rxPredict(res2, data = myXdfDS, 
     extraVarsToWrite = "rating")

 # Plot the rating versus the score with a regression line
 rxLinePlot(rating~Score, type = c("p","r"), data = scoreOut2)

 # Clean up   
 file.remove(myXdf)