mlr3_学习器构建

火星娃统计

发布于 2021-01-19 12:13:03

1.2K00

代码可运行

文章被收录于专栏：火星娃统计火星娃统计

运行总次数：0

代码可运行

mlr3_学习器构建

概述

见到四十三次日落，需要一天
见到那年的夏天，需要一年
看到彗星划过夜空，需要一甲子
，却需要到时间尽头

mlr3::Learner类的对象为r中许多流行的机器学习算法提供了统一的接口。

mlr3包含一些基本的算法

mlr_learners_classif.featureless
mlr_learners_classif.rpart
mlr_learners_regr.featureless
mlr_learners_regr.rpart

其他算法通过mlr3learners 实现

线性和逻辑回归
k近邻回归与分类
线性和二次判别分析
朴素贝叶斯
支持向量机
梯度增加
随机回归森林随机分类森林
Kriging

更多的算法再mlr3extralearners仓库中

创建learner

略，暂定更新与后续

预置的learner

library("mlr3learners")
mlr_learners
## <DictionaryLearner> with 29 stored values
## Keys: classif.cv_glmnet, classif.debug, classif.featureless,
##   classif.glmnet, classif.kknn, classif.lda, classif.log_reg,
##   classif.multinom, classif.naive_bayes, classif.nnet, classif.qda,
##   classif.ranger, classif.rpart, classif.svm, classif.xgboost,
##   regr.cv_glmnet, regr.featureless, regr.glmnet, regr.kknn, regr.km,
##   regr.lm, regr.ranger, regr.rpart, regr.svm, regr.xgboost,
##   surv.cv_glmnet, surv.glmnet, surv.ranger, surv.xgboost

每一个学习器均有一下的属性

feature_types：可处理的数据特征，一些学习器不能处理因子
packages：需要的包
properties：附加属性和功能，比如有些学习器可以处理缺失数据
predict_types：目标类型，分类或者回归

选择指定的学习器

# 使用get方法
learner = mlr_learners$get("classif.rpart")
print(learner)
## <LearnerClassifRpart:classif.rpart>
## * Model: -
## * Parameters: xval=0
## * Packages: rpart
## * Predict Type: response
## * Feature types: logical, integer, numeric, factor, ordered
## * Properties: importance, missings, multiclass, selected_features,
##   twoclass, weights

param_set储存了学习器的一些参数范围，定义等内容涉及的内容为算法的一些参数

# 
learner$param_set
## <ParamSet>
##                 id    class lower upper      levels        default value
##  1:       minsplit ParamInt     1   Inf                         20      
##  2:      minbucket ParamInt     1   Inf             <NoDefault[3]>      
##  3:             cp ParamDbl     0     1                       0.01      
##  4:     maxcompete ParamInt     0   Inf                          4      
##  5:   maxsurrogate ParamInt     0   Inf                          5      
##  6:       maxdepth ParamInt     1    30                         30      
##  7:   usesurrogate ParamInt     0     2                          2      
##  8: surrogatestyle ParamInt     0     1                          0      
##  9:           xval ParamInt     0   Inf                         10     0
## 10:     keep_model ParamLgl    NA    NA  TRUE,FALSE          FALSE

通过设置values值来改变这些参数的值

learner$param_set$values = list(cp = 0.01, xval = 0)
learner
# 上述的操作会覆盖之前所有的设置
# 如果只是想改变一部分的值，可以使用下面的方法
learner$param_set$values = mlr3misc::insert_named(
  learner$param_set$values,
  list(cp = 0.02, minsplit = 2)
)
learner

对于get方法，mlr3提供了另外一种简单的学习器建立方法

lrn("classif.rpart", id = "rp", cp = 0.001)

结束语

学习器的构建其实在这里并没有说明，需要明白的是，一个算法的构建涉及的东西较多，因此放在后续的章节。 love&peace

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2021-01-15，如有侵权请联系 cloudcommunity@tencent.com 删除

编程算法

本文分享自火星娃统计微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

编程算法

登录后参与评论

0 条评论

热度

mlr3_学习器构建

mlr3_学习器构建

mlr3_学习器构建

概述

创建learner

预置的learner

结束语

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐