rm(list = ls())
library(mlr3verse)
## Loading required package: mlr3
library(mlr3pipelines)
library(mlr3filters)
48 mlr3实现多模型比较
这部分内容主要是几个综合性的机器学习和预测建模R包的介绍,更多的信息,可参考机器学习合集
前面介绍了使用tidymodels
进行二分类资料的模型评价和比较,不知道大家学会了没?
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
进行二分类资料多个模型的评价和比较。
48.1 加载R包
首先还是加载数据和R包,和之前的数据一样的。
48.2 建立任务
然后是对数据进行划分训练集和测试集,对数据进行预处理,为了和之前的tidymodels
进行比较,这里使用的数据和预处理步骤都是和之前一样的。
# 读取数据
<- readRDS("./datasets/all_plays.rds")
all_plays
# 建立任务
<- as_task_classif(all_plays, target="play_type")
pbp_task
# 数据划分
<- partition(pbp_task, ratio=0.75)
split_task
<- pbp_task$clone()$filter(split_task$train)
task_train <- pbp_task$clone()$filter(split_task$test) task_test
48.3 数据预处理
建立任务后就是建立数据预处理步骤,这里采用和上篇推文tidymodels
中一样的预处理步骤:
# 数据预处理
<- po("select", # 去掉3列
pbp_prep selector = selector_invert(
selector_name(c("half_seconds_remaining","yards_gained","game_id")))
%>>%
) po("colapply", # 把这两列变成因子类型
affect_columns = selector_name(c("posteam","defteam")),
applicator = as.factor) %>>%
po("filter", # 去除高度相关的列
filter = mlr3filters::flt("find_correlation"), 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
的数据预处理与tidymodels
相比,在语法上确实是有些复杂了,而且由于使用的R6
,很多语法看起来很别扭,文档也说的不清楚,对于新手来说还是tidymodels
更好些。目前来说最大的优势可能就是速度了吧。。。
如果你想把预处理步骤应用于数据,得到预处理之后的数据,可以用以下代码:
<- pbp_prep$clone()$train(task_train)[[1]]
task_prep dim(task_train$data())
## [1] 68982 26
$feature_types
task_prep## id type
## 1: defteam factor
## 2: defteam_score numeric
## 3: defteam_timeouts_remaining factor
## 4: down ordered
## 5: goal_to_go factor
## 6: in_fg_range factor
## 7: in_red_zone factor
## 8: no_huddle factor
## 9: posteam factor
## 10: posteam_score numeric
## 11: posteam_timeouts_remaining factor
## 12: previous_play factor
## 13: qtr ordered
## 14: score_differential numeric
## 15: shotgun factor
## 16: total_pass numeric
## 17: two_min_drill factor
## 18: yardline_100 numeric
## 19: ydstogo numeric
这样就得到了处理好的数据,但是对于mlr3pipelines
来说,这一步做不做都可以。
48.4 选择多个模型
还是选择和之前一样的4个模型:逻辑回归、随机森林、决策树、k最近邻:
# 随机森林
<- as_learner(pbp_prep %>>% lrn("classif.ranger", predict_type="prob"))
rf_glr $id <- "randomForest"
rf_glr
# 逻辑回归
<-as_learner(pbp_prep %>>% lrn("classif.log_reg", predict_type="prob"))
log_glr $id <- "logistic"
log_glr
# 决策树
<- as_learner(pbp_prep %>>% lrn("classif.rpart", predict_type="prob"))
tree_glr $id <- "decisionTree"
tree_glr
# k近邻
<- as_learner(pbp_prep %>>% lrn("classif.kknn", predict_type="prob"))
kknn_glr $id <- "kknn" kknn_glr
48.5 建立benchmark_grid
类似于tidymodels
中的workflow_set
。
选择10折交叉验证,建立多个模型,语法也是很简单了。
set.seed(0520)
# 10折交叉验证
<- rsmp("cv",folds=10)
cv
set.seed(0520)
# 建立多个模型
<- benchmark_grid(
design tasks = task_train,
learners = list(rf_glr,log_glr,tree_glr,kknn_glr),
resampling = cv
)
在训练集中,使用10折交叉验证,运行4个模型,看这语法是不是也很简单清稀?
48.6 开始计算
下面就是开始计算,和tidymodels
相比,这一块语法更加简单一点,就是建立benchmark_grid
,然后使用benchmark()
函数即可。
# 加速
library(future)
plan("multisession",workers=12)
# 减少屏幕输出
::get_logger("mlr3")$set_threshold("warn")
lgr::get_logger("bbotk")$set_threshold("warn")
lgr
# 开始运行
<- benchmark(design,store_models = T) # 速度比tidymodels快很多
bmr
#saveRDS(bmr,file = "datasets/bmr.rds")
bmr
48.7 查看模型表现
查看结果,也是支持同时查看多个结果的:
# 默认结果
$aggregate()
bmr## nr task_id learner_id resampling_id iters classif.ce
## 1: 1 all_plays randomForest cv 10 0.2696791
## 2: 2 all_plays logistic cv 10 0.2768839
## 3: 3 all_plays decisionTree cv 10 0.2801601
## 4: 4 all_plays kknn cv 10 0.3227799
## Hidden columns: resample_result
# 查看多个结果
<- msrs(c("classif.auc","classif.acc","classif.bbrier"))
measures
<- bmr$aggregate(measures)
bmr_res c(4,7:9)]
bmr_res[,## learner_id classif.auc classif.acc classif.bbrier
## 1: randomForest 0.7983164 0.7303209 0.1789120
## 2: logistic 0.7801990 0.7231161 0.1864776
## 3: decisionTree 0.7038680 0.7198399 0.2003211
## 4: kknn 0.7311780 0.6772201 0.2215549
48.8 结果可视化
支持ggplot2
语法,使用起来和tidymodels
差不多,也是对结果直接autoplot()
即可。
library(ggplot2)
autoplot(bmr)+theme(axis.text.x = element_text(angle = 45))
喜闻乐见的ROC曲线:
autoplot(bmr,type = "roc")
48.9 选择最好的模型用于测试集
通过比较结果可以发现还是随机森林效果最好~,下面选择随机森林,在训练集上训练,在测试集上测试结果。
这一步并没有使用10折交叉验证,如果你想用,也是可以的~
# 训练
$train(task_train) rf_glr
训练好之后就是在测试集上测试并查看结果:
# 测试
<- rf_glr$predict(task_test)
prediction head(as.data.table(prediction))
## row_ids truth response prob.pass prob.run
## 1: 3 run pass 0.8161656 0.1838344
## 2: 4 run pass 0.7097711 0.2902289
## 3: 10 run run 0.3917451 0.6082549
## 4: 12 pass pass 0.5781400 0.4218600
## 5: 19 pass pass 0.5834923 0.4165077
## 6: 22 run pass 0.7099366 0.2900634
混淆矩阵:
$confusion
prediction## truth
## response pass run
## pass 10570 3265
## run 3014 6145
混淆矩阵可视化:
autoplot(prediction)
查看其他结果:
$score(msrs(c("classif.auc","classif.acc","classif.bbrier")))
prediction## classif.auc classif.acc classif.bbrier
## 0.7955435 0.7269288 0.1801018
喜闻乐见ROC曲线:
autoplot(prediction,type = "roc")
简单吗?