我非常喜欢tidymodels，它不仅能调优模型参数，还能调优Recipe步骤（比如step_pls()的num_comp参数）。但最近替换step_pls()为step_umap()时遇到了麻烦：我希望将组件数的搜索范围限定在2-5，但代码总是尝试构建约50个组件的UMAP，直接导致会话崩溃。我尝试过用grid_random或grid_max_entropy时写类似param_grid%>%grid_random(size=5,num_comp() %>% range_set(c(3, 5)))的写法，但设置似乎完全被忽略了。请问该怎么正确限制特定调参的搜索范围？

附我使用的相关代码：

# Load Packages -----------------------------------------------------------
require(tidyverse)
require(lubridate)
require(tidymodels)
require(rsample)
require(themis)
require(recipes)
require(embed)
# Load Data ---------------------------------------------------------------
data<-read_csv("....data.csv")
# Modelling - Data Partition ----------------------------------------------
split_prop <- 0.80
init_split <- initial_time_split(data, prop = split_prop)
set_train<-training(init_split)
set_test<-testing(init_split)
# Modelling - Resamples ---------------------------------------------------
valid_folds <- rsample::vfold_cv(set_train,v=5)
# Modelling - Data Transf -------------------------------------------------
recip_train <- recipe(label ~ ., data = set_train)%>%
  step_normalize(all_predictors())%>%
  step_pls(all_predictors(),outcome = "label",num_comp = tune())
# Modelling - Model Specs ---------------------------------------------------
model_glm <- linear_reg()%>%
  set_args(penalty=tune(), mixture=tune())%>%
  set_mode("regression") %>%
  set_engine("glmnet")
# Workflow ------------------------------------------------------------------
wflw <- workflow() %>%
  add_recipe(recip_train) %>%
  add_model(model_glm)
# Modelling - Tuning Control -------------------------------------------------
ctr_tune <- control_grid(
  verbose = TRUE,
  allow_par = TRUE,
  extract = NULL,
  save_pred = TRUE,
  pkgs = NULL
)
param_grid<-wflw %>%
  parameters()%>%
  finalize(set_train)%>%
  grid_max_entropy(size = 5)
# Modelling - Tuning ---------------------------------------------------------
tuning <- tune_grid(object = wflw,
                    resamples = valid_folds,
                    grid = param_grid,
                    control = ctr_tune,
                    metrics = metric_set(rmse))

你的问题出在参数范围设置的时机不对——你是在生成网格的时候尝试修改范围，但正确的做法是先调整参数对象的范围，再基于这个修改后的对象生成调参网格。下面是具体的解决步骤：

1. 先确认参数名称 #

首先，你可以运行wflw %>% parameters()查看所有可调节的参数及其默认范围，确保你要修改的参数名称正确（比如step_umap()的num_comp参数名称就是num_comp，和step_pls()一致）。

2. 正确修改参数范围 #

在生成网格之前，用update()或者range_set()来指定num_comp的范围。这里有两种写法都能生效：

写法一：使用update()

param_grid <- wflw %>%
  parameters() %>%
  finalize(set_train) %>%
  # 明确指定num_comp的范围为2-5
  update(num_comp = num_comp(range = c(2, 5))) %>%
  grid_max_entropy(size = 5)

写法二：使用range_set()

param_grid <- wflw %>%
  parameters() %>%
  finalize(set_train) %>%
  # 给num_comp参数设置范围
  range_set(num_comp(), c(2, 5)) %>%
  grid_max_entropy(size = 5)

3. 验证设置是否生效 #

生成网格后，运行print(param_grid)查看num_comp列的值，确认所有数值都在2-5之间，就说明设置成功了。

4. 多参数调整的扩展 #

如果你需要同时调整多个参数的范围（比如模型的penalty、mixture和Recipe的num_comp），只需要依次添加update()或range_set()语句即可，比如：

param_grid <- wflw %>%
  parameters() %>%
  finalize(set_train) %>%
  update(num_comp = num_comp(range = c(2, 5))) %>%
  update(penalty = penalty(range = c(-5, 0))) %>% # 调整penalty的对数范围
  grid_max_entropy(size = 10)

这样修改后，你的调参过程就只会在指定的2-5个UMAP组件范围内搜索，不会再出现生成大量组件导致崩溃的问题了。

内容的提问来源于stack exchange，提问作者oprick