mlr3_导论
mlr3_导论
概述
这个部分其实很早之前就完成了，只是一直放在文件夹中吃灰，一直没有发的原因可能是我自己也没有吃透，最近也没什么可更新的内容，就想办法更新完mlr3的学习笔记吧。
mlr3是一个堪比sklearn的包，它比较新颖的一点是，采用了面向对象的方式来构建模型，整个mlr3还在不断的完善中，同时，mlr2已经停止更新，但是mlr2更加稳定，对于mlr3可能是未来机器学习的大势所趋？同时这种集成化的包，也就面临另外一个问题，新算法可能部署很慢，当然mlr3支持自定义算法，但是学习成本会有点高。
简单的开始
本次更新，只涉及简单的一个导论，后续的mlr3学习将会建立一个专辑，大概在10篇左右吧。
建立模型
例子采用鸢尾花的数据集，使用前120个例子进行建立模型 并使用后30行的数据进行预测。
# 这里需要自己安装mlr3包
library("mlr3")
# 建立任务
task = tsk("iris")
# 建立学习器
learner = lrn("classif.rpart")
#开始训练模型
learner$train(task, row_ids = 1:120)
# 查看建立的决策树
learner$model结果
# n= 120
# node), split, n, loss, yval, (yprob)
# - denotes terminal node
# 1) root 120 70 setosa (0.41666667 0.41666667 0.16666667)
# 2) Petal.Length< 2.45 50 0 setosa (1.00000000 0.00000000 0.00000000) *
# 3) Petal.Length>=2.45 70 20 versicolor (0.00000000 0.71428571 0.28571429)
# 6) Petal.Length< 4.95 49 1 versicolor (0.00000000 0.97959184 0.02040816) *
# 7) Petal.Length>=4.95 21 2 virginica (0.00000000 0.09523810 0.90476190) *模型预测和评估
#使用iris的后30行数据对模型进行预测和评估
predictions = learner$predict(task, row_ids = 121:150)
predictions结果
## <PredictionClassif> for 30 observations:
## row_id truth response
## 121 virginica virginica
## 122 virginica versicolor
## 123 virginica virginica
## ---
## 148 virginica virginic
## 149 virginica virginica
## 150 virginica virginica对结果进行评估
predictions$score(msr("classif.acc"))
## classif.acc
## 0.8333结束语
此次章节为导论部分，因此mlr3的里面的具体函数没有详细讲解。后续会将全部内容进行完善。
今天是元旦假期的最后一天了，快乐的时间总是那么短暂
love&peace
本文参与 腾讯云自媒体分享计划，分享自微信公众号。
原始发表：2021-01-03，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录