- 综合排序
- 最热优先
- 最新优先
- 来自专栏优雅R
mlr3基础（二）
mlr3包含了以下预定义的重采样策略： 交叉验证 - cv[29] 留一交叉验证 - loo[30] 重复交叉验证 - repeated_cv[31] bootstrapping - bootstrap mlr3重采样策略及其参数可以通过查看数据进行查询。 mlr3包提供了方便的benchmark()函数。 设计创建 在mlr3中，我们要求你提供基准实验的“设计”。这样的设计本质上是你想要执行的设置表。它由任务、学习者和重采样三方面的唯一组合组成。 mlr3] Applying learner 'classif.featureless' on task 'spam' (iter 3/3) out INFO [21:44:47.762] [mlr3 为了从mlr3中的学习者获得概率，你必须为ref(“LearnerClassif”)设置predict_type = "prob"。分类器是否能预测概率在其$predict_types字段中给出。
3.3K10发布于 2021-09-24 - 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）
小陈回来了，之前和大家介绍了很多与孟德尔随机化和全基因组关联研究有关的方法，接下来的时间里，我会带大家系统地学习如何使用R语言的”mlr3”进行机器学习的相关研究，希望能给大家带来帮助。 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 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。
2K30编辑于 2022-08-21 - 来自专栏火星娃统计
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
92830发布于 2021-01-12 - 来自专栏医学和生信笔记
预测建模中的重抽样方法
其他方法 除了以上方法，其实还有非常多没有介绍，比如在mlr3中经常使用的嵌套重抽样，这些大家感兴趣可以自行了解。 ，喜欢哪个选哪个 参考资料 Applied Predictive Modeling https://www.cnblogs.com/HuZihu/ 面向医学生/医生的实用机器学习教程，往期系列推文： mlr3 ：开篇 mlr3：基础使用 mlr3：模型评价 mlr3：模型比较 mlr3：超参数调优 mlr3：嵌套重抽样 mlr3：特征选择 mlr3:pipelines mlr3：技术细节 mlr3：模型解释 mlr3实战：决策树和xgboost预测房价 使用mlr3搞定二分类资料的多个模型评价和比较 mlr3的校准曲线也是一样画！ 使用mlr3搞定二分类资料的多个模型评价和比较 使用tidymodels搞定二分类资料多个模型评价和比较 tidymodels不能画校准曲线？
1.8K20编辑于 2023-02-14 - 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
90430发布于 2021-01-19 - 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$head() #查看一下数据集 这个数据集搜集的是印第安人的健康信息
64420编辑于 2022-08-21 - 来自专栏医学和生信笔记
tidymodels用于机器学习的一些使用细节
R语言做机器学习的当红辣子鸡R包：mlr3和tidymodels，之前用十几篇推文详细介绍过mlr3 mlr3：开篇 mlr3：基础使用 mlr3：模型评价 mlr3：模型比较 mlr3：超参数调优 mlr3：嵌套重抽样 mlr3：特征选择 mlr3:pipelines mlr3：技术细节 mlr3：模型解释 mlr3实战：决策树和xgboost预测房价 今天学习下tidymodels 不得不说，比mlr3简单多了！ tidymodels中增加了一个workflow函数，可以把模型选择和数据预处理这两部连接起来，形成一个对象，这个类似于mlr3的pipeline，但是只做这一件事！ 如果你是新手，建议你先学tidymodels，因为简单，mlr3的R6语法太反人类了。。。
2K40编辑于 2022-11-15 - 来自专栏医学和生信笔记
使用mlr3搞定二分类资料的多个模型评价和比较
我之前详细介绍过mlr3这个包，也是目前R语言机器学习领域比较火的R包了，今天说下这么用mlr3进行二分类资料的模型评价和比较。 library(mlr3verse) ## Loading required package: mlr3 library(mlr3pipelines) library(mlr3filters) 建立任务 filter.cutoff=0.3) %>>% po("scale", scale = F) %>>% # 中心化 po("removeconstants") # 去掉零方差变量 可以看到mlr3 mlr3相比之下更稳定一些，速度明显更快！尤其是数据量比较大的时候！但是mlr3的说明文档并不是很详细，只有mlr3 book，而且很多用法并没有介绍！经常得自己琢磨。 mlr3 book中文翻译版 可以翻看我之前的推文！
1.4K30编辑于 2022-11-15 - 来自专栏生物信息与临床医学专栏
R语言机器学习之构建并操作Task（1）（mlr3包系列）
在“mlr3”包中，Task主要就是指学习任务，它可以直接从data.frame()，data.table()和Matrix()这三种数据对象中创建。 这里，“mlr3”主要提供7种学习任务，包括： （1）TaskClassif （针对分类数据的分类算法）； （2）TaskRegr （针对定量数据的回归算法）； （3）TaskSurv（包含有时间信息的生存分析算法 接下来进入R语言学习部分： library(mlr3) # 选取mtcars数据集的前3列作为练习数据 data = mtcars[, 1:3] 接下来，我们使用TaskRegr$new()来创建新的回归任务 mpg列数据 # mpg #1: 21.0 #2: 18.7 #3: 19.2 summary(as.data.table(task_mtcars)) ## 使用as.data.table()可以将mlr3 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！
85910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（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$head() # 查看数据 关于mlr3包的Task对象的创建和操作就讲到这里，希望大家多多练习，熟练掌握！
71410编辑于 2022-08-21 - 来自专栏医学和生信笔记
机器学习中的特征选择(变量筛选)方法简介
包装法：变量选择考虑到了模型表现和变量重要性等信息，属于是对每一个模型进行“量身定制”的变量 嵌入法：变量选择的过程就在模型训练的过程之中 R语言中的实现 后续主要介绍3个包：caret、mlr3、tidymodels mlr3中的变量选择主要包括两种：过滤法和包装法。不过和caret的实现方法略有不同。 过滤法通过mlr3filters包实现，包装法通过mlr3fselect包实现，关于这两种方法的具体实现，早已在之前的推文介绍过，大家可以参考之前的推文mlr3特征选择 不过随着mlr3的更新，部分细节稍有不同 tidymodels中的特征选择很不完善，不如mlr3做得好，也不如caret做得好！
4.6K50编辑于 2023-02-14 - 来自专栏火星娃统计
mlr3_学习器构建
见到四十三次日落，需要一天 见到那年的夏天，需要一年 看到彗星划过夜空，需要一甲子 ，却需要到时间尽头 mlr3::Learner类的对象为r中许多流行的机器学习算法提供了统一的接口。 mlr3包含一些基本的算法 mlr_learners_classif.featureless mlr_learners_classif.rpart mlr_learners_regr.featureless mlr3misc::insert_named( learner$param_set$values, list(cp = 0.02, minsplit = 2) ) learner 对于get方法，mlr3
1.5K20发布于 2021-01-19 - 来自专栏火星娃统计
mlr3_建立task
接下来建立回归任务，同时要给予这个任务一下的信息 id：任务的id，随便给 backend：数据 target：目标变量 library("mlr3") # 使用的类的new方法 task_mtcars 预置的任务 mlr3中有一些已经定义好的任务，用来学习 mlr_tasks ## <DictionaryTask> with 10 stored values ## Keys: boston_housing disp" # 同时rn也寸数据中去除 task$data(rows = 1:2) 对于行角色，一般用来指定训练集和测试集 任务调整(Task Mutators) 这部分内容其实在建立任务之前进行，但是mlr3 mtcars") task$select(head(task$feature_names, 3)) autoplot(task) autoplot(task, type = "pairs") 结束语 mlr3
83140发布于 2021-01-19 - 来自专栏医学和生信笔记
预测建模常用的数据预处理方法
面向医学生/医生的实用机器学习教程，往期系列推文： mlr3：开篇 mlr3：基础使用 mlr3：模型评价 mlr3：模型比较 mlr3：超参数调优 mlr3：嵌套重抽样 mlr3：特征选择 mlr3: pipelines mlr3：技术细节 mlr3：模型解释 mlr3实战：决策树和xgboost预测房价 使用mlr3搞定二分类资料的多个模型评价和比较 mlr3的校准曲线也是一样画！ 使用mlr3搞定二分类资料的多个模型评价和比较 使用tidymodels搞定二分类资料多个模型评价和比较 tidymodels不能画校准曲线？
1.8K30编辑于 2023-02-14 - 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 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_训练和测试
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
1.1K10发布于 2021-02-05 - 来自专栏医学和生信笔记
限制性立方样条（RCS）的列线图怎么画？
mlr3的校准曲线也是一样画！ 使用tidymodels搞定二分类资料多个模型评价和比较 使用workflow一次完成多个模型的评价和比较 使用mlr3搞定二分类资料的多个模型评价和比较 Fine-Gray检验、竞争风险模型、列线图绘制
2.3K40编辑于 2023-02-14 - 来自专栏医学和生信笔记
超级炫酷的决策树可视化R包
决策树的可视化我们之前介绍过，主要是使用rpart.plot包，视觉效果还是不错的： mlr3：模型评价 今天再给大家介绍一个更加花里胡哨的R包：treeheatr 安装 install.packages
44830编辑于 2023-08-30 - 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
1.2K20发布于 2021-02-05
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