机器学习包——mlr3

机器学习主要可以分为：

 (1)数据预处理；

 (2)选择合适的模型；

 (3)划分数据集并训练；

 (4)在验证集中验证结果并评估模型的效力。

今天介绍的"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, mlr3prob, mlr3shiny, mlr3spatiotempcv, mlr3tuning, mlr3verse, mlr3viz。这些扩展的R包需要单独安装并加载。

下面列举两个"mlr3"包的2个实例：

1.选择合适的模型

# 安装"mlr3"

install.packages("mlr3")

# 加载"mlr3"

library("mlr3")

# 使用内置的鸢尾花数据集进行测试，创建任务集

task <- tsk("iris")

# 创建学习器并使用calssif.rpart算法

learner <- lrn("classif.rpart")

注：lrn()学习器只提供五种基础的算法——classif.debug，classif.featureless，classif.rpart，regr.featureless和regr.rpart，前三种是分类算法，后两种是回归算法。

2.划分数据集并训练

# 使用前120条数据作为训练集

learner$train(task, row_ids=1:120)

# 查看训练的模型

learner$model

# 使用后30条数据作为预测集

predictions = learner$predict(task, row_ids=121:150)

# 查看预测结果

predictions

# 更直观查看预测结果

data.frame(predictions$truth,predictions$response)

3.在验证集中验证结果并评估模型的效力

# 计算模型的预测准确性

predictions$score(msr("classif.acc"))

结果解读：预测准确性为83.33%，直接看预测的结果来算，在30个预测对象中，有25个被准确预测出来了，因此准确率就是25/30=0.8333

1.选择合适的模型

# 安装"mlr3"和"mlr3verse"

install.packages("mlr3")

install.packages("mlr3verse")

# 加载

library("mlr3")

# 创建机器学习任务

task_penguins <- TaskClassif$new(id="penguins", backend=palmerpenguins::penguins, target="species")

task_penguins

# 加载学习器并设置参数

learner <- lrn("classif.rpart", cp=.01)

2.划分数据集并训练

# 训练模型

train_set <- sample(task_penguins$nrow, 0.8*task_penguins$nrow)

test_set <- setdiff(seq_len(task_penguins$nrow), train_set)

learner$train(task_penguins, row_ids=train_set)

# 预测模型

prediction <- learner$predict(task_penguins, row_ids = test_set)

# 查看预测结果

prediction$confusion

3.在验证集中验证结果并评估模型的效力

# 计算模型的预测准确性

measure <- msr("classif.acc")

prediction$score(measure)

# 若对预测结果不满意，可以重新采样

resampling <- rsmp("cv", folds = 3L)

rr <- resample(task_penguins, learner, resampling)

rr$score(measure)

# 再次计算模型的预测准确性

rr$aggregate(measure)

以上就是小编的分享，如果想学习生信分析内容或有项目需要合作的话，欢迎长按识别下方二维码联系我们！