- 综合排序
- 最热优先
- 最新优先
- 来自专栏优雅R
mlr3基础（二）
: https://mlr3proba.mlr-org.com/reference/TaskSurv.html [8] mlr3proba: https://mlr3proba.mlr-org.com/ ://mlr3proba.mlr-org.com/ [11] mlr3cluster::TaskClust: https://mlr3cluster.mlr-org.com/reference/TaskClust.html : https://mlr3.mlr-org.com/reference/mlr_tasks_german_credit.html [18] mlr3viz::autoplot: https://mlr3viz.mlr-org.com [27] mlr3的文档: https://mlr3.mlr-org.com/reference/mlr_reflections.html#examples [28] mlr3文档: https:// mlr3.mlr-org.com/reference/mlr_reflections.html#examples [29] 交叉验证 - cv: https://mlr3.mlr-org.com/reference
3.3K10发布于 2021-09-24 - 来自专栏火星娃统计
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
95230发布于 2021-01-12 - 来自专栏火星娃统计
mlr3_Benchmarking
mlr3_Benchmarking 概述 这个词语，翻译是基准测试，一般用于比较多任务、多学习器、不同抽样方案的表现，在mlr3中通过benchmar函数实现 创建设计 在mlr3中进行基准测试，需要提供一个设计 这个设计是由任务、学习器、采样方式形成的矩阵 这里的例子设计一个单任务，2个学习器和一个采样方法的设计 通过benchmark_grid函数进行组合 library("data.table") library("mlr3 benchmark(design) 创建一个复杂的设计 # 获得多个task tasks = lapply(c("german_credit", "sonar"), tsk) # 多个学习器 library("mlr3learners 包 library("mlr3viz") library("ggplot2") autoplot(bmr) + theme(axis.text.x = element_text(angle = 45, holdout 1 0 0 ## 2 iris classif.featureless holdout 1 0 0 结束语 mlr3
1.1K31发布于 2021-03-09 - 来自专栏火星娃统计
mlr3_建立task
mlr3_建立task 概述 task是包含数据和附加的一些信息的对象。 接下来建立回归任务，同时要给予这个任务一下的信息 id：任务的id，随便给 backend：数据 target：目标变量 library("mlr3") # 使用的类的new方法 task_mtcars 使用mlr3viz包，绘制任务图 返回的是数据的相关图、分布图 library("mlr3viz") autoplot(task_mtcars, type = "pairs") ## Registered 预置的任务 mlr3中有一些已经定义好的任务，用来学习 mlr_tasks ## <DictionaryTask> with 10 stored values ## Keys: boston_housing $feature_names, 3)) autoplot(task) autoplot(task, type = "pairs") 结束语 mlr3关于任务的建立更新完毕 love&peace
85540发布于 2021-01-19 - 来自专栏火星娃统计
mlr3_学习器构建
mlr3_学习器构建 概述 ? 见到四十三次日落，需要一天 见到那年的夏天，需要一年 看到彗星划过夜空，需要一甲子 ，却需要到时间尽头 mlr3::Learner类的对象为r中许多流行的机器学习算法提供了统一的接口。 mlr3包含一些基本的算法 mlr_learners_classif.featureless mlr_learners_classif.rpart mlr_learners_regr.featureless mlr_learners_regr.rpart 其他算法通过mlr3learners 实现 线性和逻辑回归 k近邻回归与分类 线性和二次判别分析 朴素贝叶斯 支持向量机 梯度增加 随机回归森林随机分类森林 Kriging 更多的算法再mlr3extralearners仓库中 创建learner 略，暂定更新与后续 预置的learner library("mlr3learners") mlr_learners
1.5K20发布于 2021-01-19 - 来自专栏火星娃统计
mlr3_重抽样
mlr3_重抽样 概述 mlr3中包含的重抽样方法 cross validation ("cv")：交叉验证 leave-one-out cross validation ("loo")：留一验证 repeated insample") custom resampling ("custom")：自定义重抽样 设置任务 task = tsk("iris") learner = lrn("classif.rpart") # 查看mlr 的重抽样方法有哪些 as.data.table(mlr_resamplings) ## key params iters ## 1: bootstrap repeats (c(1:10, 51:60, 101:110)), test = list(c(11:20, 61:70, 111:120)) ) resampling$iters 绘制结果 library("mlr3viz
1.2K20发布于 2021-02-05 - 来自专栏火星娃统计
mlr3_训练和测试
mlr3_训练和测试 概述 之前的章节中，我们已经建立了task和learner，接下来利用这两个R6对象，建立模型，并使用新的数据集对模型进行评估 建立task和learner 这里使用简单的tsk和 0.2222 0.77778 ## 6: 31 R M 0.9535 0.04651 可以看到，里面出现了新的两列，用于描述各自的概率大小 绘制预测图 library("mlr3viz 对于回归任务 library("mlr3viz") library("mlr3learners") task = tsk("mtcars") learner = lrn("regr.lm") learner 模型评估 mlr3 自带一系列的评估方法，如 mlr_measures ## <DictionaryMeasure> with 54 stored values ## Keys: classif.acc 这里是准确率 measure = msr("classif.acc") prediction$score(measure) ## classif.acc ## 0.875 结束语 到这里基本上mlr3
1.2K10发布于 2021-02-05 - 来自专栏火星娃统计
mlr3_R6对象
mlr3_R6对象 概述 在对mlr3学习的过程中，有一个问题一直萦绕在我的心头，她就是对象，虽然之前的文章，我们从python的角度介绍了对象。 中的面向对象结构 基于S3 基于S4 基于RC(R5) 基于R6 具体的逻辑架构和解释不做说明，在本文中主要对R6做说明，R6其实是一个单独的程序包，R6更加轻便，依赖较少，因此广泛使用，包括我们此次使用到的mlr3 new() u1 ## <Person> ## Public: ## clone: function (deep = FALSE) ## hello: function () 在mlr3 在mlr3中，只能访问公共字段。私有字段只能在扩展的mlr3中使用，也就是非内置数据 R6变量是对对象的引用，而不是存储在环境中的实际对象。 对于深拷贝，设置deep = TRUE（适用于嵌套对象）,例如,foo2 = foo$clone(deep = TRUE) 结束语 对于R6的面向对象来说是一个单独的章节，目前没有较大的兴趣去更新，只是在mlr3
92830发布于 2021-01-19 - 来自专栏医学和生信笔记
mlr3的校准曲线也是一样画！
相同类型的mlr3也是不支持的！大家多去github提issue，加速对校准曲线的支持！ 今天介绍mlr3怎么画校准曲线，还是那句话，校准曲线就是散点图，你非说是折线图也行...... library(mlr3verse) ## Loading required package: mlr3 library(mlr3pipelines) library(mlr3filters) 建立任务 ' on task 'all_plays' (iter 4/10) ## INFO [18:27:31.100] [mlr3] Applying learner 'randomForest' on task 'all_plays' (iter 5/10) ## INFO [18:28:01.090] [mlr3] Applying learner 'randomForest' on task 8/10) ## INFO [18:29:32.870] [mlr3] Applying learner 'randomForest' on task 'all_plays' (iter 9/10
1K30编辑于 2022-11-15 - 来自专栏庄闪闪的R语言手册
基于 mlr 包的逻辑回归算法介绍与实践（上）
前言 本期介绍的是 《Machine Learning with R, tidyverse, and mlr》 一书的第四章——逻辑回归(logistic regression)。 加载包： library(mlr) library(tidyverse) 注：R 中警告信息：自 2019 年 7 月以来，mlr 处于“仅维护”模式。 未来的开发将只在 mlr3 中进行(https://mlr3.mlr-org.com)。由于对 mlr3 的关注，在 mlr 中可能会有未捕获的 bug，请考虑切换。 两个变量比例图 2.4 训练模型 现在我们已经清理了数据，接下来用 mlr 包创建任务、learner 和模型（使用 "classif.logreg" 来作为逻辑回归的 learner）。
2.7K20编辑于 2022-04-08 - 来自专栏庄闪闪的R语言手册
基于 mlr 包的 K 最近邻算法介绍与实践（下）
1.1.1 Holdout 重采样描述 在 mlr 包中使用交叉验证，第一步是进行重采样描述，这是一组简单的指令，用于将数据分割成测试集和训练集。 在 mlr 包中，使用 calculateConfusionMatrix() 函数可计算混淆矩阵。 使用 mlr 包中的函数可以很简单地实现嵌套交叉验证过程。 Step 1. 定义外部和内部交叉验证。 getPredictionResponse(newPatientsPred) #[1] Normal Normal Overt #Levels: Chemical Normal Overt 小编有话说 除了上述介绍的 mlr 当然，你也可以使用最新的mlr3 包进行实践。下期小编将介绍机器学习中基于概率的分类算法: 逻辑回归。
1.5K41编辑于 2022-04-08 - 来自专栏庄闪闪的R语言手册
基于 mlr 包的 K 最近邻算法介绍与实践（上）
[1]》，本书涉及两个非常重要的 R 包为 mlr 和 tidyverse，感兴趣的读者可以先行安装： install.packages("mlr", dependencies = TRUE) install.packages ("tidyverse") 其中，mlr 包含了数量惊人的机器学习算法，并极大地简化了我们所有的机器学习任务。 应用举例 本文将先介绍 mlr 包中 KNN 算法的使用方法，以 mclust 包中的 diabetes 数据集为例。 在 mlr 中定义 learner 使用 makeLearner() 函数来定义 learner。 参考资料 [1]Machine Learning with R, tidyverse, and mlr: https://www.manning.com/books/machine-learning-with-r-the-tidyverse-and-mlr
2.5K21编辑于 2022-02-16 - 来自专栏庄闪闪的R语言手册
基于 mlr 包的逻辑回归算法介绍与实践（下）
前言 上期 基于 mlr 包的逻辑回归算法介绍与实践（上）关于逻辑回归的介绍内容中主要包括了特征工程、特征选择和缺失值的处理等问题，都是小编之前没有系统学过的机器学习任务。 在性能指标网站[1]中可以查看 mlr 包当前包含的所有性能指标以及其适用的情况。 2. 解释模型：odds ratio 在上期推文中曾经提到由于模型参数的可解释性，逻辑回归非常受欢迎。 为了提取模型参数，我们需要使用 getLearnerModel() 函数将 mlr 模型对象 logRegModel 转化为 R 模型对象。 (#rows: 418, #cols: 1) 小编有话说 至此，《Machine Learning with R, tidyverse, and mlr》 一书中关于逻辑回归的内容已介绍完毕，书中该章节的最后还总结了逻辑回归的优缺点
89610编辑于 2022-04-08 - 来自专栏人工智能LeadAI
推荐系统遇上深度学习(十七)--探秘阿里之MLR算法浅析及实现
MLR算法 2011-2012年期间，阿里妈妈资深专家盖坤创新性地提出了MLR(mixed logistic regression)算法，引领了广告领域CTR预估算法的全新升级。 下图中MLR模型用4个分片可以完美地拟合出数据中的菱形分类面。 ? 在实际中，MLR算法常用的形式如下，使用softmax作为分片函数： ? MLR算法适合于工业级的大规模稀疏数据场景问题，如广告CTR预估。 算法简单实现 我们这里只是简单实现一个tensorflow版本的MLR模型，通过代码来了解一下模型的思想。 MLR的实现 MLR的实现需要两组参数，分别是聚类参数和分类参数： 随后，我们要计算我们的预估值： 损失函数我们刚才介绍过了，在tensorflow中，我们选择FtrlOptimizer作为优化器，可以给我们的损失函数加上正则项
1.1K20发布于 2019-05-08 - 来自专栏小小挖掘机
推荐系统遇上深度学习(十七)--探秘阿里之MLR算法浅析及实现
MLR算法 2011-2012年期间，阿里妈妈资深专家盖坤创新性地提出了MLR(mixed logistic regression)算法，引领了广告领域CTR预估算法的全新升级。 下图中MLR模型用4个分片可以完美地拟合出数据中的菱形分类面。 ? 在实际中，MLR算法常用的形式如下，使用softmax作为分片函数： ? MLR算法适合于工业级的大规模稀疏数据场景问题，如广告CTR预估。 2、算法简单实现 我们这里只是简单实现一个tensorflow版本的MLR模型，通过代码来了解一下模型的思想。 MLR的实现 MLR的实现需要两组参数，分别是聚类参数和分类参数： u = tf.Variable(tf.random_normal([108,m],0.0,0.5),name='u') w = tf.Variable
1.6K30发布于 2018-07-25 - 来自专栏生物信息与临床医学专栏
R语言机器学习之构建并操作Task（2）（mlr3包系列）
上一期讲到task的col_roles信息，这个是用来储存各列角色的，接下来咱们用实例学习如何操作该对象： library(mlr3) mtcars[1:5,1:3] # 查看mtcars数据集（前五行 task$head() # 查看数据 关于mlr3包的Task对象的创建和操作就讲到这里，希望大家多多练习，熟练掌握！
74910编辑于 2022-08-21 - 来自专栏生物信息与临床医学专栏
R语言机器学习之构建并操作Task（1）（mlr3包系列）
在“mlr3”包中，Task主要就是指学习任务，它可以直接从data.frame()，data.table()和Matrix()这三种数据对象中创建。 这里，“mlr3”主要提供7种学习任务，包括： （1）TaskClassif （针对分类数据的分类算法）； （2）TaskRegr （针对定量数据的回归算法）； （3）TaskSurv（包含有时间信息的生存分析算法 ，该方法在mlr3proba包中）； （4）TaskDens（非监督学习算法，估计密度，由mlr3proba包提供）； （5）TaskClust（非监督学习算法，由mlr3cluster包提供）； （6 ）TaskRegrST（针对时空数据的回归算法，由mlr3spatiotempcv包提供）； （7）TaskOrdinal（等级回归算法，由mlr3ordinal包提供，但是这个包目前正处于开发中，还无法使用 关于如何使用mlr3包构建机器学习任务以及如何操作task对象的内容就先讲到这里，下期我还会带大家熟悉一下如何构建并操作task对象。敬请期待！
89610编辑于 2022-08-21 - 来自专栏生物信息与临床医学专栏
R语言机器学习之Task对象可视化（mlr3包系列）
library(mlr3) library(mlr3viz) task = tsk("pima") # 使用内置的印第安人Pima数据集来创建task task$head() #查看一下数据集 这个数据集搜集的是印第安人的健康信息
66320编辑于 2022-08-21 - 来自专栏素质云笔记
R︱mlr包挑选最适机器学习模型+变量评估与选择（案例详解）
https://blog.csdn.net/sinat_26917383/article/details/53876363 一、R语言的mlr packages选择最适机器学习模型 install.packages ("mlr")之后就可以看到R里面有哪些机器学习算法、在哪个包里面。
3K20发布于 2019-05-27 - 来自专栏生物信息与临床医学专栏
R语言之机器学习第一讲（mlr3包系列）
由于R语言的快速发展，原先的“mlr”包已经越来越难维护，因此作者对该包进行了重写，这里作者融入了“R6”，“future”和“data.table”的特征，使得”mlr3”这个包更好用。 install.packages("mlr3") # 安装mlr3这个包 library(mlr3) # 加载mlr3这个包 这里提醒一下，“mlr3”只是一个基础包，它还有很多扩展包，如：mlr3benchmark ，mlr3cluster，mlr3data，mlr3db ，mlr3filters，mlr3fselect，mlr3hyperband，mlr3learners，mlr3measures，mlr3misc ，mlr3oml，mlr3pipelines，mlr3proba，mlr3shiny，mlr3spatiotempcv，mlr3tuning，mlr3verse，mlr3viz。 关于mlr3包的简介就先讲到这里，希望能给大家一个比较感性的认识。
2.1K30编辑于 2022-08-21
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号