混淆矩阵，R，

Question

下面的代码我需要一点帮助。我必须设置一个循环，通过从 5 开始并添加 3 直到达到 20，每次使用不同数量的 epoch 训练训练数据上的神经网络模型。然后我必须计算一个折线图，显示不同数字的准确性的时代。我还必须保持所有参数与所示相同。大部分代码是我们的讲师提供的。我添加了epochs= c(5,8,11,14,17,20) 来创建一个纪元列表和error.rate = vector()，我打算将每个循环的精度存储到一个向量中。我想要的准确度来自混淆矩阵，从公式中找到

h2o.hit_ratio_table(<model>,train = TRUE)[1,2]

我面临的问题是我试图创建一个循环。我正在尝试从每个循环中获取结果。我已将循环的第一部分标记为 X 以尝试将其放入向量中，以便将每个循环的准确性放入向量 error.rate=h2o.hit_ratio_table(x,train=TRUE)[1,2])。

但是，它给出了一个错误。

> Error in is(object, "H2OModelMetrics") : object 'X' not found In
> addition: Warning messages: 1: In 1:epochs : numerical expression has
> 6 elements: only the first used

此外，当我删除 error.rate=...... 部分时，该函数运行良好，但无法找到准确度的值。

我是 R 的菜鸟，因此我们将不胜感激。

s <- proc.time()
 epochs= c(5,8,11,14,17,20)
 error.rate = vector()

 for (epoch in 1:epochs){#set up loop to go around 6 times
 X=h2o.deeplearning(x = 2:785,  # column numbers for predictors
               y = 1,   # column number for label
               training_frame = train_h2o, # data in H2O format
               activation = "RectifierWithDropout", # mathematical   activation function
               input_dropout_ratio = 0.2, # % of inputs dropout, because some inputs might not matter.
               hidden_dropout_ratios = c(0.25,0.25,0.25,0.25), # % for nodes dropout, because maybe we don't need full connections. Improves generalisability
               balance_classes = T, # over/under samples so that all classes are similar size.
               hidden = c(50,50,50,50), # two layers of 100 nodes
               momentum_stable = 0.99,
               nesterov_accelerated_gradient = T,
               error.rate=h2o.hit_ratio_table(x,train=TRUE)[1,2])
proc.time() - s}

Answer 1

你正在做for(epoch in 1:epochs)。在这里，'epoch' 术语会改变每个循环（通常你在循环中使用它，但我没有看到它？）。 1:epochs 不会像您认为的那样工作。它采用 epochs (5) 的第一个元素，基本上说 for(epoch in 1:5) 其中 epoch 是 1，然后是 2，...，然后是 5。你想要像 for(epoch in epochs) 这样的东西，如果你想要一个来自 1:each 的序列在你的代码中，你应该在循环中编写它。

另外，x 在每次循环时都会被重写。您应该初始化它并在每个循环中保存它的子集：

epochs= c(5,8,11,14,17,20)
 x <- list() # save as list #option 1
 y <- list() # for an option 2
 for (epoch in epochs){ #set up loop to go around 6 times
   X[[epoch]] = h2o.deeplearning(... )
   # or NOW you can somehow use 1:epoch where each loop epoch changes
 }

但我真的会关注在你的 for 循环中使用你的时代是没有用的，正如我在你的帖子中看到的那样。也许找出你想在哪里使用它......