mlr 包很棒,创建 ModelMultiplexer 的想法也有帮助。但是 ModelMultiplexer 从所使用的模型中“选择”1 个模型。
是否有任何支持或计划支持创建单个模型的 Bagged 或 Boosted Ensemble?
bls = list(
makeLearner("classif.ksvm"),
makeLearner("classif.randomForest")
)
lrn = makeModelMultiplexer(bls)
ps = makeModelMultiplexerParamSet(lrn,
makeNumericParam("sigma", lower = -10, upper = 10, trafo = function(x) 2^x),
makeIntegerParam("ntree", lower = 1L, upper = 500L))
> print(res)
Tune result:
**Op. pars: selected.learner=classif.randomForest; classif.randomForest.ntree=197
mmce.test.mean=0.0333**
最佳答案
在 mlr
中您有几个选项可以实现此目的。如果您只有一个型号,则可以使用BaggingWrapper :
lrn = makeLearner("classif.PART")
bag.lrn = makeBaggingWrapper(lrn, bw.iters = 50, bw.replace = TRUE, bw.size = 0.8, bw.feats = 3/4)
有关此内容的更多详细信息,请参阅 the tutorial .
对于多个学习者,您可以使用 stacking :
base.learners = list(
makeLearner("classif.ksvm"),
makeLearner("classif.randomForest")
)
lrn = makeStackedLearner(base.learners, super.learner = NULL, predict.type = NULL,
method = "stack.nocv", use.feat = FALSE, resampling = NULL,
parset = list())
您可以使用不同的方法组合基础学习器的预测,包括在它们之上安装另一个学习器。您还可以将其与个人学习者的装袋结合起来。
mlr
支持的许多学习器都支持 Boosting,请参阅 list of all learners .
关于r - mlr - 集成模型,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/34920130/