Raisons de l'utilisation de la fonction set.seed

Plusieurs fois, j'ai vu la set.seedfonction dans R, avant de démarrer le programme. Je sais qu'il est essentiellement utilisé pour la génération de nombres aléatoires. Y a-t-il un besoin spécifique de définir cela?

Le besoin est le désir éventuel de résultats reproductibles, qui peuvent par exemple venir d'essayer de déboguer votre programme, ou bien sûr d'essayer de refaire ce qu'il fait:

Nous ne reproduirons "jamais" ces deux résultats car je viens de demander quelque chose de "aléatoire":

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

Ces deux, cependant, sont identiques car j'ai mis la graine :

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> 

Il existe une vaste littérature sur tout cela; Wikipedia est un bon début. En substance, ces RNG sont appelés générateurs de nombres pseudo-aléatoires car ils sont en fait entièrement algorithmiques : avec la même graine, vous obtenez la même séquence. Et c'est une fonctionnalité et non un bug.

Vous devez définir des semences à chaque fois que vous souhaitez obtenir un résultat aléatoire reproductible.

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

Juste en ajoutant quelques aspects supplémentaires. Besoin de semer: dans le monde académique, si l'on prétend que son algorithme atteint, disons, 98,05% de performances dans une simulation, d'autres doivent pouvoir le reproduire.

?set.seed

En parcourant le fichier d'aide de cette fonction, voici quelques faits intéressants:

(1) set.seed () renvoie NULL, invisible

(2) "Au départ, il n'y a pas de valeur de départ; une nouvelle valeur est créée à partir de l'heure actuelle et de l'ID de processus, le cas échéant. Par conséquent, différentes sessions donneront des résultats de simulation différents, par défaut. Cependant, la valeur de départ peut être restaurée à partir d'un session précédente si un espace de travail précédemment enregistré est restauré. ", c'est pourquoi vous voudrez appeler set.seed () avec les mêmes valeurs entières la prochaine fois que vous voudrez une même séquence de séquence aléatoire.

La fixation de la graine est essentielle lorsque nous essayons d'optimiser une fonction qui implique des nombres générés aléatoirement (par exemple dans l'estimation basée sur la simulation). En gros, si nous ne corrigeons pas la graine, la variation due au dessin de nombres aléatoires différents entraînera probablement l'échec de l'algorithme d'optimisation.

Supposons que, pour une raison quelconque, vous souhaitiez estimer l'écart type (sd) d'une distribution normale moyenne nulle par simulation, à partir d'un échantillon. Ceci peut être réalisé en exécutant une optimisation numérique autour des étapes

1. (Mettre la graine)
2. Étant donné une valeur pour sd, générer des données normalement distribuées
3. Évaluez la probabilité de vos données compte tenu des distributions simulées

Les fonctions suivantes le font, une fois sans l'étape 1., une fois en l'incluant:

# 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)))
}

Nous pouvons vérifier la performance relative des deux fonctions en découvrant la vraie valeur du paramètre avec une courte étude de Monte Carlo:

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)

Les distributions résultantes des estimations des paramètres sont:

Lorsque nous corrigeons la graine, la recherche numérique se termine beaucoup plus souvent près de la valeur réelle du paramètre 2.

fondamentalement, la fonction set.seed () aidera à réutiliser le même ensemble de variables aléatoires, dont nous pourrions avoir besoin à l'avenir pour évaluer à nouveau une tâche particulière avec les mêmes variables aléatoires

nous avons juste besoin de le déclarer avant d'utiliser une fonction de génération de nombres aléatoires.