文前摘要
mlr包简介
运用mlr包实现美国不同收入人群数据特征选择
运用mlr包实现美国不同收入人群分类预测
相似机器学习CARET、DMwR包与MLR包比较
mlr包介绍
一直以来R都以自诩数据分析和统计建模见长，然而一直以来对机器学习中的算法都是各个种类的包“占山为王”，以擅长某类具体机器学习算法游行天下，比如运用e1071包实现贝叶斯及SVM算法，运用rpart包实现决策树算法等等。而这就带来一个无法避免的问题:需要数据侠们记住每一种算法对应的R包，显然这增加了对R的学习成本。同时R粉也会无比羡慕python粉，只需要一个sklearn库就可以几乎解决机器学习算法所有涉及内容。但是这一切都因为mlr包的到来而悄然改变。
mlr包提供了一个一般化、清洗易用涵盖分类、回归、生存分析、聚类等功能的可扩展机器学习工作框架。它也提供了一个对于160多个基础学习包的统一接口，包括了“元算法”和模型选择技术，并扩展了基本学习算法的功能，比如超参数调参、特征选择、集成结构等。同时并行化计算也是其天然支持的一项技能。（引用于mlr：Machine Learning in R）。 看到这样的介绍是否眼前一亮，对的，mlr包似乎有想一统江湖味道，那么这个包如何使用，有哪些优点呢，咱们通过一个案例先来一睹为快。
mlr包基本思想
mlr包对待各种学习算法和模型实现，有个基本的思路即：Create a Task,Make a learner,Train then.所有所有的分析都以此为基础进行构建。
以美国不同收入人群数据为例，目的是对收集好的30万美国人群基本资料，预测人群是否为高收入人群（>50000美元）.
读取数据和查看
我们读取了美国人群数据，train数据集199523*41，test数据集99762*41.
通过mlr包中的summarizeColumns()及sumizeLEVELS()函数可以对数据集进行查看，可以直接浏览所有变量的缺失值、均值、极值等基本信息和因子水平情况等，如下图：
summarizeColumns(train)
summarizeColumns(train)[, "nlevs"]
summarizeLevels(train)$income_level
unique(train$income_level)
特征工程
mlr包进行特征工程，如对变量重要性排序等操作，首先是通过makeClassifTask()创建一个用于分类的Task，其他回归等目的有相应的创建函数。通过removeConstantFeatures()函数丢弃零变量，generateFilterValuesData()函数可选择相应的method进行特征重要性排序（这里运用信息增益衡量），并可绘图实现。
# 合并数据集
train <- cbind(num_train, cat_train)
test <- cbind(num_test, cat_train)
# 创建task
train.task <- makeClassifTask(data = train, target = "income_level")
test.task <- makeClassifTask(data = test, target = "income_level")
# 丢弃零变量
train.task <- removeConstantFeatures(train.task)
test.task <- removeConstantFeatures(test.task)
# #变量重要性排序
var_imp <- generateFilterValuesData(train.task, method = "information.gain")
var_imp <- generateFilterValuesData(train.task, method = c("information.gain"))
plotFilterValues(var_imp, feat.type.cols = TRUE)
选择算法
进行完特征工程等数据清洗工作，我们就开始建模的过程，在建立模型之前，如何快速选择合适的学习算法又是重中之重，那么mlr给出了非常人性的方法。通过listLearners()可以查看所有涉及到的算法以及相应的数据要求，可见下图：
a <- listLearners("classif")
head(a, 10)
# 指定条件，选择适用的算法
listLearners("classif", "twoclass")[c("class", "package")]
朴素贝叶斯
我们可以以贝叶斯算法为例，运用mlr包实现机器学习算法的构建。根据“Create a Task,Make a learner,Train”原则，在前面已经完成分类Task任务之后，我们通过makeLearner()函数构建贝叶斯模型。同时通过makeResampleDesc()进行交叉验证.模型构建完成后，就可以通过trainLearner()函数和predict()函数实现训练和预测功能了。最终模型结果F score为0.819
naive_learner <- makeLearner("classif.naiveBayes", predict.type = "response")
naive_learner$par.vals <- list(laplace = 1)
# 3folds交叉验证
folds <- makeResampleDesc("CV", iters = 3, stratify = TRUE)
# 交叉验证函数fun_cv <- function(a) {
crv_val <- resample(naive_learner, a, resampling = folds, measures = list(acc, tpr, tnr, fpr, fp, fn))
crv_val$aggr}fun_cv(train.task)
# 训练和预测
nB_models <- mlr::train(naive_learner, train.over)
nB_model <- trainLearner(naive_learner, train.over)
nB_predict <- predict(nB_models, test.task)
# 模型评估
nB_prediction <- nB_predict$data$response
# 混淆矩阵
dCM <- confusionMatrix(test$income_level, nB_prediction)
# F值
precision <- dCM$byClass["Pos Pred Value"]
recall <- dCM$byClass["Sensitivity"]
f_measure <- 2 * ((precision * recall)/(precision + recall))
f_measure相似机器学习CARET、DMwR包与MLR包比较
这是个最常见的整个机器学习的过程，而所有过程均在mlr包框架语法下实现。是不是很神奇呢。那么再来简单看看与CARET、DMwR包等相似机器学习算法集成包比较，mlr有什么优点呢！
Caret包（Kuhn，2008）,DMwR（Torgo,2010）仅支持分类和回归，CMA（Slawski et al., 2008）仅支持分类。相对功能都比较局限。MLR包的通用包装器机制是前面所有包所不具备的。虽然Caret包和CMA包融入了数据预处理和变量选择方法，但是MLR可以无缝同时用这些方法进行调节(Koch et al., 2012)。仅仅MLR和RMINER和CMA包支持nested cross-validation。也只有MLR包和Caret包支持内生的bagging和并行计算。
（引用于mlr：Machine Learning in R）。 综上所示，mlr是运用R实现机器学习算法必备的瑞士军刀。如想了解更多，可具体可参考<https://github.com/mlr-org/mlr>
