问题描述
关于mlr3-管道的使用，我有几个问题。事实上，我的目标是创建一个将三个3图结合在一起的管道：1-处理分类变量的图表：级别归因=>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形：均值归因=>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
处理另一个数值变量子集的第三个图：中值推算=>最小最大定标
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
按功能联合操作合并这些图表：
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$new(graph %>>% po(lrn("classif.ranger")))
我的数据中有一些缺失值，因此在每个图中使用计算机，我有一个二进制分类任务。
my_task = TaskClassif$new(id="classif", backend = data, target = "my_target")
从理论上讲，我开始学习时不应该有遗漏值错误。
g1$train(my_task)
但根据我选择的学习者，我有几个错误。例如，如果我使用Ranger作为学习器：我有这个错误
Error: Missing data in columns: ....
如果我使用svm、glmnet或xgvoost：由于类别变量的存在，我会遇到问题。Error : has the following unsupported feature types: factor...
使用我的管道，我不应该有一个分类变量，也不应该有缺失值。因此，我看不到如何克服这个问题。
1-我在每个图表中使用了一台计算机，为什么有些算法告诉我总是有缺失值？
2-如何删除编码后的分类变量？某些算法不支持此类型的变量更新
我认为在管道期间所做的所有修改都不是持久化的。换句话说，算法(svm、ranger等)使列车运行在原始任务上，而不是运行在流水线更新的任务上
推荐答案
第一个问题的答案
我将尝试解释为什么您的工作流中总是缺少值。
让我们加载一堆包
library(mlr3)
library(mlr3pipelines)
library(mlr3learners)
library(mlr3tuning)
library(paradox)
让我们采用缺少值的任务PIMA
task <- tsk("pima")
task$missings()
diabetes age glucose insulin mass pedigree pregnant pressure triceps
0 0 5 374 11 0 0 35 227
因为没有分类列，所以我将三头肌转换为一：
hb <- po("histbin",
param_vals =list(affect_columns = selector_name("triceps")))
现在分配新级别并进行编码：
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
在task上使用cat时：
cat$train(task)[[1]]$data()
#big output
不仅返回您选择要转换的列，还返回其他所有列
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做什么
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
所以它在"胰岛素"和"压力"栏上做了它应该做的事情，但也原封不动地返回了其余的。
通过复制数据三次，并在每个步骤中应用这三个预处理器，您不仅返回转换后的列，还返回其余的所有列--三次。
您应该做的是：
graph <- cat %>>%
num_mean %>>%
num_median
cat转换选定的列并返回全部，然后num_mean转换选定的列并返回全部...
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)
有效
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"))
如果在通过管道传递给学习者之前被调用，则应执行此操作。
这篇关于在GraphLearner中使用mlr3管道输入数据和编码系数列？的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持！