R语言机器学习笔记（三）：mlr学习器定义

2020-07-12 00:00:00 专区模型学习可视化获知

作者：黄天元，复旦大学博士在读，热爱数据科学与开源工具（R），致力于利用数据科学迅速积累行业经验优势和科学知识发现，涉猎内容包括但不限于信息计量、机器学习、数据可视化、应用统计建模、知识图谱等，著有《R语言高效数据处理指南》（《R语言数据高效处理指南》(黄天元)【摘要书评试读】- 京东图书）。知乎专栏：R语言数据挖掘。邮箱：huang.tian-yuan@qq.com.欢迎合作交流。

前文提要：

HopeR：R语言机器学习笔记（一）：mlr总纲

HopeR：R语言机器学习笔记（二）：mlr任务定义

在机器学习中，对任务定义之后，接下来就要选模型了。在mlr包中，可以使用makeLearner函数实现。实现的过程中，我们可以：

1、选择模型。对于不同的任务有不同的模型，已经有的模型列表见Integrated Learners

2、设置输出。如分类问题，可以输出字符型、因子变量或者数值型（pred.type）

3、配置参数。可以根据模型类型来对超参数进行自定义（par.vals）。

4、给予名称。为了后期对比模型的效果并可视化，可以提前为这个模型设立一个名字（id）。

定义好模型后，把它赋值给一个对象，我们来看看官方文档的例子：

# Classification tree, set it up for predicting probabilities
classif.lrn = makeLearner("classif.randomForest", predict.type = "prob", fix.factors.prediction = TRUE)

# Regression gradient boosting machine, specify hyperparameters via a list
regr.lrn = makeLearner("regr.gbm", par.vals = list(n.trees = 500, interaction.depth = 3))

# Cox proportional hazards model with custom name
surv.lrn = makeLearner("surv.coxph", id = "cph")

# K-means with 5 clusters
cluster.lrn = makeLearner("cluster.kmeans", centers = 5)

# Multilabel Random Ferns classification algorithm
multilabel.lrn = makeLearner("multilabel.rFerns")

相关文章