Aufgeräumtes Modellieren mit R

Kapitel 14. Iterative Suche

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In Kapitel 13 wurde gezeigt, wie die Rastersuche eine vordefinierte Menge von Kandidatenwerten nimmt, sie bewertet und dann die besten Einstellungen auswählt. Iterative Suchmethoden verfolgen eine andere Strategie. Während des Suchprozesses sagen sie voraus, welche Werte als Nächstes getestet werden sollen.

Hinweis

Wenn die Rastersuche undurchführbar oder ineffizient ist, sind iterative Methoden ein sinnvoller Ansatz zur Optimierung der Abstimmungsparameter.

In diesem Kapitel werden zwei Suchmethoden vorgestellt. Zunächst geht es um die Bayes'sche Optimierung, bei der ein statistisches Modell verwendet wird, um bessere Parametereinstellungen vorherzusagen. Danach wird eine globale Suchmethode namens simuliertes Glühen beschrieben.

Zur Veranschaulichung verwenden wir dieselben Daten zu den Zelleigenschaften wie im vorherigen Kapitel, ändern aber das Modell. In diesem Kapitel wird ein Support-Vector-Machine-Modell verwendet, weil es schöne zweidimensionale Visualisierungen der Suchprozesse liefert.

Ein Support-Vektor-Maschinen-Modell

Wir verwenden erneut die in Kapitel 13 beschriebenen Zellsegmentierungsdaten für die Modellierung mit einem Support Vector Machine (SVM)-Modell, um die sequenziellen Abstimmungsmethoden zu demonstrieren. Siehe Kuhn und Johnson (2013) für weitere Informationen zu diesem Modell. Die beiden ...