如何解决使用 mlr3pipeline 进行编码和缩放后,无法通过 mlr3proba 训练数据集
当我在使用 mlr3pipeline 编码和缩放我的数据集后运行下面的代码以在 mlr3proba 中训练模型时:
task =tsk("sonar")
learner = lrn("classif.rpart")
measure = msr("classif.ce")
inner.rsmp <- rsm("cv",folds = 5)
train_set = sample(task$nrow,0.8 * task$nrow)
test_set = setdiff(seq_len(task$nrow),train_set)
learner <- po("encode") %>>% po("scale") %>>% po("learner",learner)
learner$train(task,row_ids = train_set)
R 代码显示如下错误:
Error in learner$train(task,row_ids = train_set) :
unused argument (row_ids = train_set)
我在另一个数据集中尝试了这个,但它显示了同样的问题。
但如果我不编码和缩放我的数据集,一切正常。
另外,对于 resample()
函数,它没问题(尽管编码和缩放):
rr <- resample(task,learner,inner.rsmp)
rr$aggregate(measure)
#Results:
INFO [08:46:55.411] [mlr3] Applying learner 'encode.scale.classif.rpart' on task 'sonar' (iter 4/5)
INFO [08:46:55.539] [mlr3] Applying learner 'encode.scale.classif.rpart' on task 'sonar' (iter 1/5)
INFO [08:46:55.644] [mlr3] Applying learner 'encode.scale.classif.rpart' on task 'sonar' (iter 2/5)
INFO [08:46:55.773] [mlr3] Applying learner 'encode.scale.classif.rpart' on task 'sonar' (iter 5/5)
INFO [08:46:55.876] [mlr3] Applying learner 'encode.scale.classif.rpart' on task 'sonar' (iter 3/5)
rr$score(measure)
task task_id learner learner_id resampling
1: <TaskClassif[46]> sonar <GraphLearner[33]> encode.scale.classif.rpart <ResamplingCV[19]>
2: <TaskClassif[46]> sonar <GraphLearner[33]> encode.scale.classif.rpart <ResamplingCV[19]>
3: <TaskClassif[46]> sonar <GraphLearner[33]> encode.scale.classif.rpart <ResamplingCV[19]>
4: <TaskClassif[46]> sonar <GraphLearner[33]> encode.scale.classif.rpart <ResamplingCV[19]>
5: <TaskClassif[46]> sonar <GraphLearner[33]> encode.scale.classif.rpart <ResamplingCV[19]>
resampling_id iteration prediction classif.ce
1: cv 1 <PredictionClassif[19]> 0.3333333
2: cv 2 <PredictionClassif[19]> 0.2142857
3: cv 3 <PredictionClassif[19]> 0.2380952
4: cv 4 <PredictionClassif[19]> 0.3658537
5: cv 5 <PredictionClassif[19]> 0.2439024
那么问题出在哪里?
解决方法
您需要将学习器包装在 GraphLearner PipeOp 中:
library(mlr3)
library(mlr3pipelines)
task =tsk("sonar")
learner = lrn("classif.rpart")
measure = msr("classif.ce")
inner.rsmp <- rsmp("cv",folds = 5)
train_set = sample(task$nrow,0.8 * task$nrow)
test_set = setdiff(seq_len(task$nrow),train_set)
learner <- po("encode") %>>% po("scale") %>>% po("learner",learner)
learner <- GraphLearner$new(learner)
learner$train(task,row_ids = train_set)
learner$predict(task,row_ids = test_set)
#> <PredictionClassif> for 42 observations:
#> row_ids truth response
#> 5 R R
#> 12 R R
#> 13 R R
#> ---
#> 188 M M
#> 191 M M
#> 201 M M
由 reprex package (v0.3.0) 于 2021 年 4 月 30 日创建
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。