Học máy với mlr
Tinh chỉnh siêu tham số trong R
Dr. Shirin Elsinghorst
Data Scientist
Gói mlr
mlrlà một framework khác cho học máy trong R.
Huấn luyện mô hình gồm ba bước:
- Xác định nhiệm vụ (task)
- Xác định learner
- Huấn luyện mô hình
Bộ dữ liệu mới: User Knowledge Data
library(tidyverse)
glimpse(knowledge_data)
Observations: 150
Variables: 6
$ STG <dbl> 0.080, 0.000, 0.180, 0.100, 0.120, 0.090, 0.080, 0.150, ...
$ SCG <dbl> 0.080, 0.000, 0.180, 0.100, 0.120, 0.300, 0.325, 0.275, ...
$ STR <dbl> 0.100, 0.500, 0.550, 0.700, 0.750, 0.680, 0.620, 0.800, ...
$ LPR <dbl> 0.24, 0.20, 0.30, 0.15, 0.35, 0.18, 0.94, 0.21, 0.19, ...
$ PEG <dbl> 0.90, 0.85, 0.81, 0.90, 0.80, 0.85, 0.56, 0.81, 0.82, ...
$ UNS <chr> "High", "High", "High", "High", "High", "High", ...
knowledge_data %>%
count(UNS)
# A tibble: 3 x 2
UNS n
<chr> <int>
1 High 50
2 Low 50
3 Middle 50
Task trong mlr cho học có giám sát
RegrTask()cho hồi quyClassifTask()cho phân loại nhị phân và đa lớpMultilabelTask()cho phân loại đa nhãnCostSensTask()cho phân loại nhạy chi phí tổng quát
Với bộ dữ liệu kiến thức sinh viên, ta có thể xây dựng một bộ phân loại:
task <- makeClassifTask(data = knowledge_train_data,
target = "UNS")
listLearners()
class package
1 classif.ada ada,rpart
2 classif.adaboostm1 RWeka
3 classif.bartMachine bartMachine
4 classif.binomial stats
5 classif.boosting adabag,rpart
6 classif.bst bst,rpart
7 classif.C50 C50
8 classif.cforest party
9 classif.clusterSVM SwarmSVM,LiblineaR
10 classif.ctree party
...
# Define learner
lrn <- makeLearner("classif.h2o.deeplearning",
fix.factors.prediction = TRUE,
predict.type = "prob")
Huấn luyện mô hình với mlr
tic()
# Define task
task <- makeClassifTask(data = knowledge_train_data,
target = "UNS")
# Define learner
lrn <- makeLearner("classif.h2o.deeplearning",
fix.factors.prediction = TRUE)
# Fit model
model <- train(lrn,
task)
toc()
3.782 giây đã trôi qua
Ayo berlatih!
Tinh chỉnh siêu tham số trong R
