4

mlr 包很棒，创建 ModelMultiplexer 的想法也有帮助。但是 ModelMultiplexer 从使用的模型中“选择” 1 个单一模型。

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**
4

1 回答 1

6

在mlr. 如果你有一个模型，你可以使用BaggingWrapper：

lrn = makeLearner("classif.PART")
bag.lrn = makeBaggingWrapper(lrn, bw.iters = 50, bw.replace = TRUE, bw.size = 0.8, bw.feats = 3/4)

本教程中有关此的更多详细信息。

对于几个学习者，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。您还可以将其与针对个别学习者的 bagging 结合起来。

许多支持的学习者都mlr支持提升，请参阅所有学习者的列表。

于 2016-01-21T18:09:05.367 回答