Domande su set.seed() in R

Question

Capisco cosa fa set.seed() e quando posso usarlo, ma ho ancora molte domande sulla funzione. Qui ci sono alcuni:

1. E 'possibile "reset" set.seed() a qualcosa di "più casuale", se avete chiamato set.seed() in precedenza nella sessione? E 'anche necessario?
2. È possibile visualizzare il seme che R sta attualmente utilizzando?
3. C'è un modo per rendere set.seed() consentire i semi alfanumerici, il modo in cui è possibile inserirli a random.org (assicurarsi di essere in modalità avanzata e vedere "Parte 3" del modulo per vedere cosa intendo)?

Answer 1

Solo per divertimento:

set.seed.alpha <- function(x) { 
    require("digest") 
    hexval <- paste0("0x",digest(x,"crc32")) 
    intval <- type.convert(hexval) %% .Machine$integer.max 
    set.seed(intval) 
} 

modo da poter fare:

set.seed.alpha("hello world") 

(in realtà x può essere qualsiasi Oggetto R, non solo una stringa alfanumerica)

Answer 2

È possibile, se si imposta il seme su qualcosa come le cifre finali della propria epoca temporale, ma in realtà non è necessario. L'uso previsto dei PRNG è che si imposta il seme una volta all'inizio di una sessione e si utilizzano le variabili generate successive da questo. Fai le cose in modo diverso, e non puoi goderti le varie buone proprietà teoriche ed empiriche che hanno gli R RNG.

Ma non sono sicuro che capiate davvero lo scopo di set.seed. Non è davvero lì per te ottenere numeri "più casuali". Se stai facendo un qualche tipo di applicazione per cui il R PRNG è insufficiente (ad esempio, se hai bisogno di casualità crittografica), potresti anche generare tutti i tuoi numeri casuali con un metodo alternativo e usarli direttamente. Il vero scopo di set.seed è di produrre riproducibilità nei risultati usando gli RNG. Se si avvia la stessa analisi utilizzando la stessa sequenza di generazioni di numeri casuali e si imposta il seme sullo stesso valore, si otterrà sempre lo stesso risultato. Ciò è utile per il debug e per gli altri per la revisione dei risultati.

di utilizzare il tempo dell'epoca, fare qualcosa di simile

t <- as.numeric(Sys.time()) 
seed <- 1e8 * (t - floor(t)) 
set.seed(seed); print(seed) 

Answer 3

Per la domanda 3 c'è la funzione char2seed nel pacchetto TeachingDemos che prenderà una stringa di caratteri (alhpa numerico) e la convertirà in un numero intero e, per impostazione predefinita, userà quella per impostare un nuovo seme. L'idea era che gli studenti potessero usare il loro nome (o qualche combinazione/sottoinsieme di nomi) come seme in modo che ogni studente avesse un set di dati diverso, ma l'insegnante può riprodurre il set di dati di ogni studente.

Answer 4

Per una risposta a 2, vedere prima la pagina di guida ?RNGkind.

per trovare il tipo di RNG in uso:

RNGkind() 
# [1] "Mersenne-Twister" "Inversion" 

Il Mersenne Twister è il valore predefinito.

Dalla pagina di aiuto:

‘ "Mersenne-Twister":’ Da Matsumoto e Nishimura (1998).A GFSR ritorto con periodo 2^19937-1 e equidistribuzione in 623 dimensioni consecutive (per l'intero periodo). Il "seme" è un insieme 624-dimensionale di numeri interi a 32 bit più una posizione corrente in tale serie.

Per trovare il seme corrente in uso, è necessario prima chiamare il generatore di numeri casuali.

runif(1, 0, 1)                                     
# [1] 0.9834062                                      
.Random.seed 
# [Gives a 626 length vector] 

Calling set.seed(some_integer) seguito da .Random.seed, darà sempre lo stesso vettore 626 di lunghezza, se si utilizza lo stesso some_integer. Per dirla in modo diverso, il vettore di lunghezza 626 è determinato esclusivamente da some_integer, dato che si sta utilizzando il Mersenne Twister, ovviamente.

Inoltre, ovviamente, l'esecuzione di set.seed su un valore fisso fornirà gli stessi valori per le chiamate a routine di numeri casuali che lo seguono. Questo è l'uso principale in pratica, per dare riproducibilità. Per esempio.

set.seed(1) 
runif(5, 0, 1) 
# [1] 0.2655087 0.3721239 0.5728534 0.9082078 0.2016819 
rnorm(1, 0, 1) 
# [1] 1.272429 
set.seed(1) 
runif(5, 0, 1) 
# [1] 0.2655087 0.3721239 0.5728534 0.9082078 0.2016819 
rnorm(1, 0, 1) 
# [1] 1.272429 

Tutto il codice generatore di numeri di base in R è nel file src/main/RNG.c nel codice sorgente.

È in C, ma abbastanza facile da seguire.

Answer 5

Ho lo stesso problema come in questione 1. Ho quindi immagino che posso semplicemente ripristinare seme nel loop:

set.seed(123) 
x<- rnorm(10,1,1) 
set.seed(null) 

In questo modo alla fine di ogni ciclo del seme appena stato cancellato. Ha funzionato per me.