Expected behavior for repeated `fit!` calls
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 5/5
- Tempo stimato
- Più di una settimana
- Idoneità per principianti
- 25/100
- Tipo di issue
- Funzionalità
- Chiarezza
- Da chiarire
- Stato di attività
- Ferma
- Stack tecnologico
- julia
- Ambito
- machine-learning
Direzione di ricerca
Inizia esaminando l’entry point fit! e il comportamento delle chiamate ripetute descritto per SymbolicRegression.jl. Determina e documenta il contratto di warm-start previsto per una seconda chiamata a fit!, incluso il comportamento del parametro N; nell’issue non sono indicati file o test specifici.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
Just wondering what the right strategy is for warm starts. What is the correct behavior for calling fit! on a machine twice? Here, I assume that the model has an $N$ parameter controlling the number of optimization steps:
model = Regressor(N=N)
mach = machine(model, X, y)
fit!(mach)
fit!(mach) # what happens here?
- Warm start; runs for another $N$ steps from where it left off.
- Warm start; runs for $0$ steps from where it left off. In other words, the user would need to increase $N$ if they want to replicate the behavior of (1)
fit!(mach) mach.model.N += N fit!(mach) - Cold start; resets the search state and runs for $N$ steps. Perhaps you need to use an
update!function for explicit warm starts (in which case 1 and 2 would require usingupdate!instead)
Right now, SymbolicRegression.jl is doing 2. But I'm not sure about this. Pinging @ablaom for tips.
- Lingua principale
- Julia
- Stelle
- 39
- Fork
- 8
- Metriche di merge delle PR
- Nessuna PR unita negli ultimi 30g
Preparare l'ambiente
Questo progetto non fornisce container di sviluppo, Dockerfile né guida per i contributori, quindi l'ambiente è a tuo carico: parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di JuliaAI/MLJModelInterface.jl
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 35/100
JuliaAI/MLJModelInterface.jl#212 · 26 commenti ·
-
bug
Difficoltà 3/5 1-2 giorni Idoneità per principianti 35/100
JuliaAI/MLJModelInterface.jl#209 · 1 reazione ·
-
human_name vs Base.nameofAperta
Difficoltà 5/5 Più di una settimana Idoneità per principianti 25/100
JuliaAI/MLJModelInterface.jl#208 · 2 commenti ·
-
next major release
Difficoltà 4/5 3-5 giorni Idoneità per principianti 35/100
JuliaAI/MLJModelInterface.jl#189 ·
-
`params(::MLJType)` methodApertanext major release
Difficoltà 4/5 3-5 giorni Idoneità per principianti 35/100
JuliaAI/MLJModelInterface.jl#173 · 1 commento ·
Tutte le issue di JuliaAI/MLJModelInterface.jl
Issue simili
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 70/100
SciML/DiffEqNoiseProcess.jl#342 ·
-
Broken links in the docsAperta
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 88/100
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 62/100
I maintainer di solito rispondono entro 1 giorno
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
oxfordcontrol/COSMO.jl#211 ·
-
documentation
Difficoltà 2/5 Mezza giornata Idoneità per principianti 65/100
I maintainer di solito rispondono entro 6 giorni