fmda/params.yaml

   1 # File used to store hyperparameters.
   2
   3 # RNN Params
   4 #~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
   5
   6 # Stateless RNN, batch_size declared at fit step
   7 rnn:
   8   batch_size: 32
   9   timesteps: 5
  10   optimizer: adam
  11   rnn_layers: 1 # Number of hidden recurrent layers
  12   rnn_units: 20 # Number of units per hidden recurrent layer
  13   dense_layers: 1 # hidden dense layers AFTER recurrent layers and BEFORE final output cell
  14   dense_units: 5 # number of units for hidden dense layers
  15   activation: ['relu', 'relu'] # Activation type for hidden layers, dense layers respectively
  16   dropout: [0.2, 0.2]  # NOTE: length must match total number of layers, default is 1 hidden recurrent layer and 1 dense output layer
  17   recurrent_dropout: 0.2 # Length must match number of recurrent layers
  18   reset_states: True # reset hidden states after training epoch, triggers reset_states() via callbacks
  19   # batch_reset: 10 # reset states after given number of batches
  20   batch_schedule_type: 'exp' # Schedule to Reset Hidden State
  21   bmin: 20 # Minimum number of batches for batch reset schedule
  22   bmax: 200
  23   epochs: 20
  24   learning_rate: 0.001
  25   clipvalue: 10.0 # gradient clipping param, gradient can't exceed this value
  26   phys_initialize: False # physics initialization
  27   stateful: True
  28   verbose_weights: True # Prints out hashs of weights for tracking reproducibility
  29   verbose_fit: False # Prints out all training epochs, makes computation much slower
  30   # features_list: ['Ed', 'Ew', 'solar', 'wind', 'rain']
  31   features_list: ['Ed', 'Ew', 'rain']
  32   scale: True
  33   scaler: 'standard' # One of methods in scalers dictionary in moisture_rnn.py
  34   time_fracs: [.9, .05, .05] # Percentage of data based on time span for train/val/test
  35   early_stopping_patience: 5 # Number of epochs with no improvement after which training will be stopped.
  36   predict_spinup_hours: 5 # Number of hours to run through the model before prediction errors evaluated. Used to stabilize hidden state
  37
  38 lstm:
  39   batch_size: 32
  40   timesteps: 5
  41   optimizer: adam
  42   rnn_layers: 1
  43   rnn_units: 6
  44   dense_layers: 1
  45   dense_units: 1
  46   activation: ['relu', 'relu']
  47   recurrent_activation: 'sigmoid'
  48   dropout: [0.2, 0.2]  # NOTE: length must match total number of layers, default is 1 hidden recurrent layer and 1 dense output layer
  49   recurrent_dropout: 0.2 # Length must match number of recurrent layers
  50   reset_states: True # reset hidden states after training epoch, triggers reset_states() via callbacks
  51   batch_schedule_type: 'constant' # Schedule to Reset Hidden State
  52   bmin: 20 # Minimum number of batches for batch reset schedule
  53   bmax: 200
  54   epochs: 100
  55   learning_rate: 0.0001
  56   clipvalue: 1.0 # gradient clipping param, gradient can't exceed this value
  57   phys_initialize: False # physics initialization
  58   stateful: True
  59   verbose_weights: True # Prints out hashs of weights for tracking reproducibility
  60   verbose_fit: False # Prints out all training epochs, makes computation much slower
  61   features_list: ['Ed', 'Ew', 'rain']
  62   scale: True
  63   scaler: 'minmax' # One of methods in scalers dictionary in moisture_rnn.py
  64   time_fracs: [.9, .05, .05] # Percentage of data based on time span for train/val/test
  65   early_stopping_patience: 25 # Number of epochs with no improvement after which training will be stopped.
  66   predict_spinup_hours: 5 # Number of hours to run through the model before prediction errors evaluated. Used to stabilize hidden state
  67
  68 # Param sets for reproducibility
  69
  70 ## v2.1 params
  71 rnn_repro:
  72   batch_size: 32
  73   timesteps: 5
  74   optimizer: adam
  75   rnn_layers: 1
  76   rnn_units: 20
  77   dense_layers: 1
  78   dense_units: 5
  79   activation: ['linear', 'linear']
  80   dropout: [0.2, 0.2]
  81   recurrent_dropout: 0.2
  82   reset_states: True
  83   epochs: 300
  84   learning_rate: 0.001
  85   clipvalue: 10.0
  86   phys_initialize: False
  87   stateful: True
  88   verbose_weights: True
  89   verbose_fit: False
  90   features_list: ['Ed', 'Ew', 'solar', 'wind', 'rain']
  91   scale: True
  92   scaler: 'minmax'
  93   time_fracs: [.5, .2, .3] # Percentage of data based on time span for train/val/test
  94   early_stopping_patience: 9999 # early stopping not used in repro case, so setting to a huge value to ignore
  95   predict_spinup_hours: null # Number of hours to run through the model before prediction errors evaluated. Used to stabilize hidden state
  96
  97 ## v2.0 params
  98 # rnn_repro:
  99 #   batch_size: 32
 100 #   timesteps: 5
 101 #   optimizer: adam
 102 #   epochs: 200
 103 #   rnn_layers: 1
 104 #   rnn_units: 20
 105 #   dense_layers: 0 # hidden dense layers AFTER recurrent layers and BEFORE final output cell
 106 #   dense_units: 1
 107 #   activation: ['linear', 'linear']
 108 #   centering: [0.0,0.0]
 109 #   dropout: [0.0, 0.0]  # NOTE: length must match total number of layers, default is 1 hidden recurrent layer and 1 dense output layer
 110 #   recurrent_dropout: 0.0 # Length must match number of recurrent layers
 111 #   reset_states: True # reset hidden states after training epoch, triggers reset_states() via callbacks
 112 #   epochs: 200
 113 #   learning_rate: 0.001
 114 #   phys_initialize: False # physics initialization
 115 #   stateful: True
 116 #   verbose_weights: True # Prints out hashs of weights for tracking reproducibility
 117 #   verbose_fit: False # Prints out all training epochs, makes computation much slower
 118 #   features_list: ['Ed', 'Ew', 'rain']
 119 #   scale: True
 120 #   scaler: 'reproducibility'
 121 #   train_frac: 0.5
 122 #   val_frac: 0.0
 123
 124
 125 # Other ML Params
 126 #~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
 127
 128 xgb:
 129   max_depth: 3
 130   eta: 0.1
 131   min_child_weight: 1
 132   subsample: 0.8
 133   colsample_bytree: 0.9
 134   scale_pos_weight: 1
 135   n_estimators: 100
 136   gamma: .1
 137   scaler: 'standard'
 138   features_list: ['Ed', 'Ew', 'solar', 'wind', 'rain']
 139
 140   ### Params sent by Schreck, slow and less accurate for this dataset
 141     # objective: "reg:squarederror"
 142     # n_splits: 1
 143     # learning_rate: 0.1
 144     # n_estimators: 1000
 145     # max_depth: 10
 146     # n_jobs: 8
 147     # colsample_bytree: 0.8995496645826047
 148     # gamma: 0.6148001693726943
 149     # learning_rate: 0.07773680788294579
 150     # max_depth: 10
 151     # subsample: 0.7898672617361431
 152     # metric: "valid_rmse"
 153
 154 rf:
 155   n_estimators: 25 # Number of trees in the forest
 156   criterion: "squared_error" # Function to measure the quality of a split (previously "mse")
 157   max_depth: 5 # Maximum depth of the tree
 158   min_samples_split: 2 # Minimum number of samples required to split an internal node
 159   min_samples_leaf: 1 # Minimum number of samples required to be at a leaf node
 160   max_features: .8 # Number of features to consider when looking for the best split
 161   bootstrap: true # Whether bootstrap samples are used when building trees
 162   max_samples: null # If bootstrap is True, the number of samples to draw from X to train each base estimator
 163   random_state: null # Controls both the randomness of the bootstrapping of the samples and the sampling of the features
 164   verbose: 0 # Controls the verbosity when fitting and predicting
 165   warm_start: false # When set to True, reuse the solution of the previous call to fit and add more estimators to the ensemble
 166
 167 lm:
 168   fit_intercept: true
 169   scaler: null
 170   features_list: ['Ed', 'Ew', 'solar', 'wind', 'rain']
 171
 172
 173
 174
 175
 176
 177
 178