设为首页 加入收藏

TOP

【翻译】R 中的设计模式(二)
2019-09-03 02:41:31 】 浏览:358
Tags:翻译 设计模式
p (y - X\beta) \\ f''(\beta) = -X^\top X \]

是正态分布情况下似然函数在 \(\beta\) 点的一阶和二阶导数。如果你对此没有什么概念,就把注意力完全放在这个模式上。在 R 中,我已经使用闭包应用了接口模式,请考虑以下实现:

nr <- function(X,
               y)
{
    function(beta) beta - solve(-crossprod(X)) %*% crossprod(X, y - X %*% beta)
}

# Some data to test the function:
set.seed(1)
X <- cbind(1, 1:10)
y <- X %*% c(1, 2) + rnorm(10)

# Average damping in this case will make the convergence a bit slower:
fp(printValue(averageDamp(nr(X, y))), c(1, 2), converged)
## 1 2 
## 0.9155882 2.027366 
## 0.8733823 2.041049 
## 0.8522794 2.047891 
## 0.8417279 2.051311 
## 0.8364522 2.053022 
## 0.8338143 2.053877 
## 0.8324954 2.054304
##           [,1]
## [1,] 0.8318359
## [2,] 2.0545183
# And to have a comparison:
stats::lm.fit(X, y)$coefficients

##        x1        x2 
## 0.8311764 2.0547321  

结果看起来很好。我们应该选择一个不同的容忍度,以便更接近 R 的实现,目前看来这个容忍度选择得非常宽松,但这不是现在的重点。我现在想要做的是使 nr 的返回函数依赖于预先计算的值,以避免它们在每次迭代中重新计算。在这个例子中,我将它与局部函数的定义结合起来:

nr <- function(X, y)
{  
    # f1 relies on values in its scope:
    f1 <- function(beta) Xy - XX %*% beta

    Xy <- crossprod(X, y)
    XX <- crossprod(X)
    f2inv <- solve(-XX)

    function(beta) beta - f2inv %*% f1(beta)  
}

fp(averageDamp(nr(X, y)), c(1, 2), converged)
##           [,1]
## [1,] 0.8318359
## [2,] 2.0545183

一些评论:

  • 在上面的例子中,像 f1 这样的局部函数定义是唯一依赖自由变量的地方。即 f1 依赖于封闭环境中定义的值 XyXX;这是我在上层函数中不惜一切代价要避免的。
  • 我喜欢这种表示方法,因为我将不动点函数的逻辑保留在 nr;在给定数据的情况下,该函数知道如何计算下一次迭代的所有事。一种不同的方法是定义 nr,使其将 XXXyf2inv 作为参数,这意味着我的代码的其他部分必须知道 nr 中的实现,并且我必须查看不同的地方以了解下一次迭代是如何进行的计算。

计数器模式

到目前为止,不动点框架不允许限制迭代次数。这当然是你总想要控制的东西。这次我使用闭包来模拟可变状态。考虑计数器的两种实现:

# Option 1:
counterConst <- function()
{
    # like a constructor function
    count <- 0
    function()
    {
        count <<- count + 1
        count
    }
}
counter <- counterConst()
counter()
## [1] 1
counter()
## [1] 2
# Option 2:
counter <- local({
    count <- 0
    function()
    {
        count <<- count + 1
        count
    }
})
counter()
## [1] 1
counter()
## [1] 2

我还记得闭包很难理解,因为在上面的例子中,当 R 中几乎所有东西都是不可变的时候,它们可以用来模拟可变状态。为从 Hadley (R 领域的知名专家)的一个例子中明白这一点,我可能用头撞了几个小时墙。

为了在不动点框架中实现最大迭代次数,我结合了包装器模式计数器模式来修改收敛准则,以便算法在给定次数的迭代后终止:

addMaxIter <- function(converged,
                       maxIter)
{
    count <- 0
    function(...)
    {
        count <<- count + 1
        if (count >= maxIter) TRUE
        else converged(...)
    }
}

这使我们能够探索最初示例中发生的错误:

fp(printValue(fpsqrt(2)), 2, addMaxIter(converged, 4))
## 2 
## 1 
## 2 
## 1
## [1] 2

现在我们可以看到算法的初始版本在 1 到 2 之间振荡。您可能会说,在这种情况下,你还可以将迭代的次数看作算法的逻辑(作为 fp 的责任)。在这种情况下,我会争辩说,代码不再反映之前介绍的算法公式。但是让我们来比较一下不同的实现:

fpImp <- function(f,
                  x,
                  convCrit,
                  maxIter = 100)
{
    converged <- function()
    {
        convCrit(x, value) | count >= maxIter
    }
  
    count <- 0
    value <- NULL

    repeat {

        count <- count + 1 
        value <- f(x)

        if (converged()) break
        else
        {
            x <- value
            next
        }

    }

    list(result = value, iter = count)  
}

fpImp(averageDamp(fpsqrt(2)), 2, converged) 
## $result
## [1] 1.414214
## 
## $iter
## [1] 4

现在让我们为 fp 的返回值添加迭代次数:

addIter <- function(fun)
{
    count <- 0
    function(x)
    {
        count <<- count + 1
        value <- fun(x)
        attr(value, "count") <- count
        value
    }
}

fp(addIter(averageDamp(fpsqrt(2))), 2, converged)
## [1] 1.414214
## attr(,"count")
## [1] 4

也许这个实现应该有一个自己的名字,但是你仍然可以看到包装器计数器模式,它和 averageDamp 函数类似。与 fpImp 相比,围绕最大迭代次数的逻辑已经从算法的具体实现中分离出来。特别是如果我考虑添加更多功能,命令式的实现不可避免地必须应付越来越多的事情。相反,我可以在我的不动点框架中插入新功能。所以我认为对扩展开放对修改封闭,这不仅仅是一件好事,如果你喜欢面向对象的话。

计数器模式当然更一般化。它

首页 上一页 1 2 3 下一页 尾页 2/3/3
】【打印繁体】【投稿】【收藏】 【推荐】【举报】【评论】 【关闭】 【返回顶部
上一篇获取豆瓣电影数据(R与API获取网.. 下一篇时间序列深度学习:状态 LSTM 模..

最新文章

热门文章

Hot 文章

Python

C 语言

C++基础

大数据基础

linux编程基础

C/C++面试题目