我有一些关于使用 mlr3-pipelines 的问题。事实上,我的目标是创建一个结合三个 3 图的管道:
1 - 处理分类变量的图表:水平插补 => 标准化
imp_cat = po("imputenewlvl", param_vals =list(affect_columns = selector_name(my_cat_variables)))
encode = po("encode", param_vals =list(affect_columns = selector_name(my_cat_variables)))
cat = imp_cat %>>% encode
2 - 处理数值变量子集的图表:平均插补 => 标准化
imp_mean = po("imputemean", param_vals = list(affect_columns =selector_name(my_first_set_of_numeric_variables)))
scale = po("scale", param_vals = list(affect_columns = selector_name(my_first_set_of_numeric_variables)))
num_mean = imp_mean %>>% scale
第三张图用于处理数值变量的另一个子集:中值插补 => 最小最大缩放
imp_median = po("imputemedian", param_vals = list(affect_columns =selector_name(my_second_set_of_numeric_variables)))
min_max = po("scalerange", param_vals = list(affect_columns = selector_name(my_second_set_of_numeric_variables)))
num_median = imp_median %>>% min_max
通过featureUnion Ops合并这些图表:
graph = po("copy", 3) %>>%
gunion(list(cat, num_mean, num_median )) %>>%
po("featureunion")
最后在 GraphLearner 中添加学习者:
g1 = GraphLearner$new(graph %>>% po(lrn("classif.ranger")))
我的数据中有一些缺失值,因此在每个图中使用输入器,并且我有一个二进制分类任务。
my_task = TaskClassif$new(id="classif", backend = data, target = "my_target")
理论上,当我开始学习时,我不应该出现缺失值错误。
g1$train(my_task)
但是根据我选择的学习者,我有几个错误。如果我使用例如游侠作为学习者:我有这个错误
错误:列中缺少数据:...
如果我使用 svm、glmnet 或 xgvoost:由于分类变量的存在,我会遇到问题。
错误:具有以下不受支持的功能类型:因子...
对于我的管道,我不应该有分类变量,也不应该有缺失值。所以我不知道如何克服这个问题。
1 - 我在每个图中都使用了输入器,为什么有些算法告诉我总是缺少值?
2 - 编码后如何删除分类变量?有些算法不支持这种类型的变量
已更新
我认为管道期间所做的所有修改都不会保留。换句话说,算法(svm、ranger...)在原始任务上进行训练,而不是在管道更新的任务上进行训练
最佳答案
回答第一个问题
我将尝试解释为什么您的工作流程中总是缺少值。
让我们加载一堆包
library(mlr3)
library(mlr3pipelines)
library(mlr3learners)
library(mlr3tuning)
library(paradox)
让我们执行缺少值的任务 pima
task <- tsk("pima")
task$missings()
diabetes age glucose insulin mass pedigree pregnant pressure triceps
0 0 5 374 11 0 0 35 227
由于没有分类列,我将把三头肌转换为一:
hb <- po("histbin",
param_vals =list(affect_columns = selector_name("triceps")))
现在估算新级别并编码:
imp_cat <- po("imputenewlvl",
param_vals =list(affect_columns = selector_name("triceps")))
encode <- po("encode",
param_vals = list( affect_columns = selector_name("triceps")))
cat <- hb %>>%
imp_cat %>>%
encode
当您在任务
上使用cat
时:
cat$train(task)[[1]]$data()
#big output
不仅会返回您选择要转换的列,还会返回所有其他列
对于 num_median
和 num_mean
也会发生这种情况。
让我们创建它们
imp_mean <- po("imputemean", param_vals = list(affect_columns = selector_name(c("glucose", "mass"))))
scale <- po("scale", param_vals = list(affect_columns = selector_name(c("glucose", "mass"))))
num_mean <- imp_mean %>>% scale
imp_median <- po("imputemedian", param_vals = list(affect_columns = selector_name(c("insulin", "pressure"))))
min_max <- po("scalerange", param_vals = list(affect_columns = selector_name(c("insulin", "pressure"))))
num_median <- imp_median %>>% min_max
检查 num_median
的作用
num_median$train(task)[[1]]$data()
#output
diabetes insulin pressure age glucose mass pedigree pregnant triceps
1: pos 0.13341346 0.4897959 50 148 33.6 0.627 6 35
2: neg 0.13341346 0.4285714 31 85 26.6 0.351 1 29
3: pos 0.13341346 0.4081633 32 183 23.3 0.672 8 NA
4: neg 0.09615385 0.4285714 21 89 28.1 0.167 1 23
5: pos 0.18509615 0.1632653 33 137 43.1 2.288 0 35
---
764: neg 0.19951923 0.5306122 63 101 32.9 0.171 10 48
765: neg 0.13341346 0.4693878 27 122 36.8 0.340 2 27
766: neg 0.11778846 0.4897959 30 121 26.2 0.245 5 23
767: pos 0.13341346 0.3673469 47 126 30.1 0.349 1 NA
768: neg 0.13341346 0.4693878 23 93 30.4 0.315 1 31
因此,它在“胰岛素”和“压力”列上执行了预期的操作,但也返回了其余部分不变。
通过复制数据三次并在每个步骤中应用这三个预处理器,您将返回转换后的列,但也会返回所有其余列 - 三次。
你应该做的是:
graph <- cat %>>%
num_mean %>>%
num_median
cat
转换选定的列并返回所有列,然后 num_mean
转换选定的列并返回所有...
graph$train(task)[[1]]$data()
我觉得不错
更重要的是
g1 <- GraphLearner$new(graph %>>% po(lrn("classif.ranger")))
g1$train(task)
作品
2 - 第二个问题的答案是使用 selector functions ,特别是在您的情况下
selector_type()
:
selector_invert(selector_type("factor"))
如果在输入学习器之前调用,应该可以解决问题。
关于r - 使用 mlr3-pipelines 在 GraphLearner 中估算数据并编码因子列?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/60620158/