2

我想比较简单的逻辑回归模型，其中每个模型只考虑一组指定的特征。我想对数据的重新采样进行这些回归模型的比较。

R 包mlr允许我在任务级别使用dropFeatures. 代码将类似于：

full_task = makeClassifTask(id = "full task", data = my_data, target = "target")
reduced_task = dropFeatures(full_task, setdiff( getTaskFeatureNames(full_task), list_feat_keep))

然后我可以在有任务列表的情况下进行基准测试。

lrn = makeLearner("classif.logreg", predict.type = "prob") 
rdesc = makeResampleDesc(method = "Bootstrap", iters = 50, stratify = TRUE)
bmr = benchmark(lrn, list(full_task, reduced_task), rdesc, measures = auc, show.info = FALSE)

如何生成只考虑一组指定特征的学习器。据我所知，过滤器或选择方法总是应用一些统计程序，但不允许直接选择特征。谢谢！

4

1 回答 1

5

第一个解决方案是惰性的，也不是最优的，因为仍在执行过滤器计算：

library(mlr)
task = sonar.task
sel.feats = c("V1", "V10")
lrn = makeLearner("classif.logreg", predict.type = "prob")
lrn.reduced = makeFilterWrapper(learner = lrn, fw.method = "variance", fw.abs = 2, fw.mandatory.feat = sel.feats)
bmr = benchmark(list(lrn, lrn.reduced), task, cv3, measures = auc, show.info = FALSE)

第二种使用预处理包装器过滤数据，应该是最快的解决方案，也更灵活：

lrn.reduced.2 = makePreprocWrapper(
  learner = lrn, 
  train = function(data, target, args) list(data = data[, c(sel.feats, target)], control = list()),
  predict = function(data, target, args, control) data[, sel.feats]
)
bmr = benchmark(list(lrn, lrn.reduced.2), task, cv3, measures = auc, show.info = FALSE)
于 2018-03-28T15:42:05.860 回答