Set.seed işlevini kullanmanın nedenleri

Birçok kez set.seed, programı başlatmadan önce, R fonksiyonunu gördüm . Temelde rasgele sayı üretimi için kullanıldığını biliyorum. Bunu ayarlamak için özel bir ihtiyaç var mı?

İhtiyaç, örneğin programınızda hata ayıklamaya çalışmaktan veya elbette yaptığı şeyi yeniden yapmaya çalışmaktan kaynaklanabilecek tekrarlanabilir sonuçlara yönelik olası arzudur:

Bu iki sonuç "rastgele" bir şey istediğim gibi "asla" yeniden üretmeyeceğiz:

R> sample(LETTERS, 5)
[1] "K" "N" "R" "Z" "G"
R> sample(LETTERS, 5)
[1] "L" "P" "J" "E" "D"

Bununla birlikte, bu ikisi aynıdır çünkü tohumu ayarladım :

R> set.seed(42); sample(LETTERS, 5)
[1] "X" "Z" "G" "T" "O"
R> set.seed(42); sample(LETTERS, 5)
[1] "X" "Z" "G" "T" "O"
R> 

Bütün bunlarla ilgili geniş literatür var; Wikipedia iyi bir başlangıç. Aslında, bu RNG'lere Pseudo Random Number Generators denir, çünkü aslında tamamen algoritmiktir : aynı tohum verildiğinde aynı diziyi alırsınız. Ve bu bir özellik , bir hata değil.

Tekrarlanabilir bir rastgele sonuç elde etmek istediğinizde tohum ayarlamanız gerekir.

set.seed(1)
rnorm(4)
set.seed(1)
rnorm(4)

Sadece bazı ekleme özellikleri ekleyerek. Tohum yerleştirme ihtiyacı: Akademik dünyada, eğer algoritmasının bir simülasyonda% 98.05 performans elde ettiğini iddia ederse, diğerlerinin onu yeniden üretebilmesi gerekir.

?set.seed

Bu işlevin yardım dosyasını inceleyerek, bunlar bazı ilginç gerçekler:

(1) set.seed () görünmez NULL döndürür

(2) "Başlangıçta tohum yoktur; geçerli saatten ve gerektiğinde işlem kimliğinden yeni bir tane oluşturulur. Bu nedenle farklı oturumlar varsayılan olarak farklı simülasyon sonuçları verir. Ancak, tohum bir Daha önce kaydedilmiş bir çalışma alanı geri yüklendiyse önceki oturum. "

Rastgele üretilen sayıları içeren bir işlevi optimize etmeye çalıştığımızda tohumun sabitlenmesi çok önemlidir (örn. Simülasyon tabanlı tahminlerde). Gevşek olarak, eğer tohumu tamir etmezsek, farklı rasgele sayılar çizmekten kaynaklanan varyasyon muhtemelen optimizasyon algoritmasının başarısız olmasına neden olacaktır.

Herhangi bir nedenle, bir örnek verildiğinde, simülasyonla ortalama sıfır normal dağılımının standart sapmasını (sd) tahmin etmek istediğinizi varsayalım. Bu, adımlar etrafında sayısal bir optimizasyon gerçekleştirerek elde edilebilir

1. (Tohumun ayarlanması)
2. Sd için bir değer verildiğinde, normal olarak dağıtılmış veriler oluşturun
3. Simüle edilen dağılımlar göz önüne alındığında verilerinizin olasılığını değerlendirin

Aşağıdaki işlevler bunu adım 1 olmadan bir kez dahil eder.

# without fixing the seed
simllh <- function(sd, y, Ns){
  simdist <- density(rnorm(Ns, mean = 0, sd = sd))
  llh <- sapply(y, function(x){ simdist$y[which.min((x - simdist$x)^2)] })
  return(-sum(log(llh)))
}
# same function with fixed seed
simllh.fix.seed <- function(sd,y,Ns){
  set.seed(48)
  simdist <- density(rnorm(Ns,mean=0,sd=sd))
  llh <- sapply(y,function(x){simdist$y[which.min((x-simdist$x)^2)]})
  return(-sum(log(llh)))
}

Kısa bir Monte Carlo çalışması ile iki parametrenin gerçek parametre değerini keşfetmedeki göreceli performansını kontrol edebiliriz:

N <- 20; sd <- 2 # features of simulated data
est1 <- rep(NA,1000); est2 <- rep(NA,1000) # initialize the estimate stores
for (i in 1:1000) {
  as.numeric(Sys.time())-> t; set.seed((t - floor(t)) * 1e8 -> seed) # set the seed to random seed
  y <- rnorm(N, sd = sd) # generate the data
  est1[i] <- optim(1, simllh, y = y, Ns = 1000, lower = 0.01)$par
  est2[i] <- optim(1, simllh.fix.seed, y = y, Ns = 1000, lower = 0.01)$par
}
hist(est1)
hist(est2)

Parametre tahminlerinin sonuçtaki dağılımları:

Çekirdeği sabitlediğimizde, sayısal arama 2'nin gerçek parametre değerine çok daha yakın olur.

temel olarak set.seed () işlevi, gelecekte belirli görevleri aynı rastgele değişkenlerle tekrar değerlendirmek için ihtiyaç duyabileceğimiz aynı rastgele değişken kümesinin yeniden kullanılmasına yardımcı olacaktır.

herhangi bir rasgele sayı üreten fonksiyonu kullanmadan önce bildirmemiz gerekiyor.