嵌套循环:多模型参数

Question

我正在编写一个代码，它将计算一个包含多个参数的统计模型，我希望在此过程中更改该模型。然后，根据模型的性能，选择最优的模型。

我写了这么一堆伪代码，说明了这个问题：

## vectors with values of parameters

const1 <- c(300, 500)
const2 <-  c(1, 2, 3, 4, 5)
const3 <- c(30, 50, 70, 90, 110, 130)

## loop counter

i = 1

for (j in 1:length(const1)){
  for (k in 1:length(const2)){
    for (l in 1:length(const3)){

      ## i-th model

      model <- stat.model(x = train,
                          y = target,
                          param1 = const1,
                          param2 = const2,
                          param3 = const3)

      ## ... outputing model results to a data table

      ## printing the number of iteration

      cat("iteration =", i)
      i <- i+1

      ## calling garbage collector to assure free space in RAM

      gc()
    }
  }
}

正如您所看到的，我使用嵌套的"for“循环，这可能不是R中最有效的编程方法，有什么方法可以缩短处理时间(并可能节省代码的可读性)吗？

Answer 1

for循环在R中的速度。

在R中，使用嵌套for-loops的主要问题是可读性(可能还有内存分配)。因此，如果预先知道输出的长度，可以使用vector()创建这样长的存储对象，或者直接调用lapply或vapply。for-loop本身的速度在R中不是一个严重的问题。

可读性

对于您的示例，您可以通过在三个向量上调用expand.grid来创建您想要预先使用的所有可能的组合，为此您使用了三个不同的嵌套for-loops，如下所示：

combis <- expand.grid(const1 = const1,
                      const2 = const2,
                      const3 = const3)

combis <- combis[order(combis$const1, combis$const2, combis$const3), ]

lapply(seq_len(nrow(combis)), FUN = function(i) {
  model <- stat.model(x = train,
                      y = target,
                      param1 = combis[i, "const1"],
                      param2 = combis[i, "const2"],
                      param3 = combis[i, "const3"])
  model
})

并行化

如果您有多个核可供使用，则可以通过使用来自lapply包的mclapply轻松地将任何平行“循环”转换为并行版本。然后，您可以通过mc.cores参数指定核心的数量。这允许您用很少的额外工作来并行您的循环。

Answer 2

您可以使用lapply语句向向量表示您的伪代码。

model <- function(x,y,z){x+y+z}

lapply(const1,function(x){
  lapply(const2,function(y){
    lapply(const3,function(z){model(x,y,z)})})})