使用 mlr 進行機器學習
R 的超參數調校
Dr. Shirin Elsinghorst
Data Scientist
mlr 套件
mlr是 R 中另一個 機器學習 框架。
模型訓練分為三步驟：
- 定義 task（任務）
- 定義 learner（學習器）
- 擬合 model（模型）
新資料集：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
mlr 的監督式學習任務
RegrTask()：迴歸ClassifTask()：二元與多類分類MultilabelTask()：多標籤分類問題CostSensTask()：一般成本敏感分類
用學生知識資料集來建立分類器：
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")
在 mlr 中擬合模型
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 sec elapsed
一起來練習吧！
R 的超參數調校
