今天的男主角是一个神奇的R包——MLR。最近在肝数据挖掘课大作业，顺便拿R跑了跑 machine learning， 之前基本都是用 ggplot2，总觉得R涉及机器学习部分有点零乱（因为要装各种包需要的数据结构也不太一样，总之相比 sklearn 显得挺麻烦的？）这几天突然看到了这个MLR！！用完感觉神仙救了我一命，快速就把作业搞定啦！开心

那今天就拿大作业为例，讲讲我们今天的男主角神仙R包叭！作业所有的 code & data 都放在 github 上面啦，随时更新，欢迎各位老铁关注、点星嘿嘿。

最后还想分享下有关我们作业的有趣发现~

mlr包的流程

以一个基本的逻辑回归来看看：

# 1.加载我们今天的男主——mlr包
library(mlr)  

# 2.定义一个分类问题，target就是因变量
classif.task = makeClassifTask(data = data, target = "y")   
n = getTaskSize(classif.task)  
random_index = sample(x = 1:n, size = n * 0.8, replace = F)
train.set = random_index   # 划分训练集合
test.set = (1:n)[-random_index]

# 3.选择学习器（面向对象的味道和 sklearn 灰常像
logistic_learner = makeLearner("classif.logreg", predict.type = "prob", fix.factors.prediction = TRUE)

# 4. 训练模型
lr_model = train(logistic_learner, classif.task, subset = train.set)

# 5. 预测
lr.pred = predict(lr_model, task = classif.task, subset = test.set)

复制粘贴！完事了！交作业！！！高老师一拳一个糊弄学大师

算了算了，具体来说有四个步骤：

第一步 定义我们的研究问题

这里是一个二分类问题，使用makeClassifTask()，其他的类型的问题见下面。要给出一个数据表（data.frame），target就是我们的响应变量（Y），其他列默认为解释变量（X1-Xn）。注意！变量不可以是 strings 必须转化为 factor 或者 numeric。

• RegrTask() for regression problems,
• ClassifTask() for binary and multi-class classification problems with class-dependent costs can be handled as well),
• SurvTask() for survival analysis,
• ClusterTask() for cluster analysis,
• MultilabelTask() for multilabel classification problems,
• CostSensTask() for general cost sensitive classification (with example-specific costs).

第二步 选择模型

呜呜呜这次作业所有模型都要做（不过这正体现了男主角的优越性！），用 makeLearner 来选择学习器。所有学习器的列表在这里可以看到。

你会发现它汇总了了88种Classification，59种Regression，12种Survival analysis，10种Cluster analysis，还有 Multilabel classification等等🤙🤙🤙所有的方法还会标注出能否处理factor、NA等特殊情况，简直是太！贴！心！了！

第三步 训练和预测

这部分就没什么好说的了，直接 train + predict，有几个常用注意点：

1. subset 参数使用训练集 or 测试集
2. names函数可以看到 train/ predict 里面有什么信息，然后直接用$进行访问，就和我们一般用R包跑出来的是一样的哈。
3. weights 参数可以对类失衡的问题进行重采样
4. 预测结果包含真实值（truth）和预测值（response）。如果想要输出概率值（比如画个ROC曲线之类的），需要在 makeLearner那里加上 predict.type = "prob"，预测结果就会增加概率值~

交叉验证搜索最优参数

如果你觉得掉包也不麻烦，一两行代码的事，那 mlr 最棒的点就是搜索最优参数了。

这里以KNN搜索最佳K值为例：

• 首先用 getLearnerParamSet 看看所有超参数及其取值范围，然后结合理论知识和经验（实话说，结合百度各种博客的说法哈哈哈），
• 用 makeParamSet 选几个参数和一些常见的调参范围。
• 设置 makeResampleDesc 进行交叉验证
• 直接 tuneParams 开始交叉验证搜索参数就完事了

原本挨个掉包写循环的我直呼好家伙...

getLearnerParamSet(makeLearner("classif.kknn"))  # 获取所有超参数
rdesc = makeResampleDesc("CV", iters = 5L)  # 5折交叉验证
discrete_ps = makeParamSet(  # 参数空间
  makeDiscreteParam("k", values = c(1, 3, 5, 10, 20, 30, 50, 80, 100))
  )
ctrl = makeTuneControlGrid()
res = tuneParams("classif.kknn", task = classif.task,
                 resampling = rdesc, par.set = discrete_ps, control = ctrl)
res # 搜索结果：

## Tune result:
## Op. pars: k=3
## mmce.test.mean=0.3585818

得到的最优参数K = 3（这时候交叉验证 test 平均误差最低），利用 setHyperPars 用得到的最优参数建模，再 train + prediction 就完事了！

# 获得最优参数
knn_best = setHyperPars(makeLearner("classif.kknn", predict.type = "prob"), k = res$x$k)
# 用最优参数建模
knn_model_best = train(knn_best, classif.task, subset = train.set)
knn.pred = predict(knn_model_best, task = classif.task, subset = test.set)

在输出预测准确率、 ROC 和 AUC，作业不就是分分钟完事啦？夸我谢谢。

library(pROC)      # 画ROC曲线
library(ROCR)      # 算AUC值

# 输入我们的模型预测结果
plotROC <- function(input){  # roc_curve
  modelroc <- roc(input$truth, input$prob.TRUE)
  plot(modelroc, print.auc=TRUE,auc.polygon=TRUE, 
       auc.polygon.col="#f6f6f6", print.thres=TRUE,main = "ROC curve")
}

Accuracy <- function(input){  # matrix & accuracy
  res = table(input[, c("truth", "response")])  # rf预测结果
  print(res)
  return(sum(diag(res)) / sum(res))
}

补充

关于我们的作业，一些有趣的发现

1. CS 有多卷？

左边为原始专业（来源），下方为申请专业（去向）。肉眼可见第一列飘红，果然是全民CS的时代，机械专业同学1 /4 都飘去了CS，果然卷还是CS卷。而统计专业的话，本科统计一般还是会继续申统计，当然还有一批本科金融的同学和你竞争申请，也要越来越卷的节奏。

2.PhD难在哪儿？

博士一列“论文、SCI、一作”都飘红，申请博士也太太太卷了叭！至今没有论文的小菜鸡当场抹眼泪...而申请硕士的话专注实习就好了。

3. 英语成绩到底有多重要？

总有人说英语成绩只要差不多就行，但。。。GRE verbal 成绩对录取结果的影响表明，英语好还是非常重要的，英语太差申请Top50名校难度不小嗷。。。当然有可能是优秀的人各方面都不会差的，再次落泪。

4.出身重要吗

of course！来自全球Top100的本科（清北复交港大等）就是很占优势。（我人呢，这次人大附中附属大学没有牌面，说好的全国Top3呢