使用 mlr3-pipelines 在 GraphLearner 中估算数据和编码因子列？

Question

我有几个关于 mlr3 管道使用的问题。事实上，我的目标是创建一个结合了三个 3 图的管道：

1 - 处理分类变量的图表：水平插补 => 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 - 处理数字变量子集的图表：平均插补 => 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

处理另一个数字变量子集的第三张图：中值插补 => 最小最大缩放

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

通过 featureUnion Ops 合并这些图：

graph = po("copy", 3) %>>%
   gunion(list(cat, num_mean, num_median )) %>>%
   po("featureunion")

最后在 GraphLearner 中添加学习器：

g1 = GraphLearner$new(graph %>>% po(lrn("classif.ranger")))

我的数据中有一些缺失值，因此在每个图中都使用了输入法，我有一个二元分类任务。

my_task = TaskClassif$new(id="classif", backend = data, target = "my_target")

从理论上讲，我应该不会在开始学习时出现缺失值错误。

g1$train(my_task)

但是根据我选择的学习者，我有几个错误。如果我使用例如游侠作为学习者：我有这个错误

Error: Missing data in columns: ....

如果我使用 svm、glmnet 或 xgvoost：由于分类变量的存在，我遇到了问题。 Error : has the following unsupported feature types: factor...

在我的管道中，我不应该有分类变量，也不应该有缺失值。所以我不知道如何解决这个问题。

1 - 我在每张图中都使用了输入器，为什么有些算法告诉我总是有缺失值？

2 - 如何在编码后删除分类变量？一些算法不支持这种类型的变量

已更新

我认为管道中所做的所有修改都没有持久化。换句话说，算法（svm，ranger，......），使火车在原始任务上，而不是在管道更新的任务上

Answer 1

第一个问题的答案

我将尝试解释为什么您的工作流程中总是缺少值。

让我们加载一堆包

library(mlr3) 
library(mlr3pipelines)
library(mlr3learners)
library(mlr3tuning)
library(paradox)

让我们接下有缺失值的任务pima

task <- tsk("pima")
task$missings()
diabetes      age  glucose  insulin     mass pedigree pregnant pressure  triceps 
       0        0        5      374       11        0        0       35      227

由于没有分类列，我会将三头肌转换为一个：

hb <- po("histbin",
         param_vals =list(affect_columns = selector_name("triceps")))

现在估算新水平并编码：

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

当您在 task 上使用 cat 时：

cat$train(task)[[1]]$data()
#big output

不仅 return 编辑了您选择要转换的列，而且还编辑了所有其他列

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 的作用

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 "insulin" 和 "pressure" 列上做了它应该做的事情，但 return 其余部分没有改变。

通过将数据复制三次并在每个步骤中应用这三个预处理器，您可以 return 转换列以及所有其余列 - 三次。

你应该做的是：

graph <- cat %>>%
  num_mean %>>%
  num_median

cat 转换选定的列和 return 全部，然后 num_mean 转换选定的列和 return 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，特别是在你的情况下

selector_type():

selector_invert(selector_type("factor"))

如果在进入学习器之前调用，应该可以做到这一点。

使用 mlr3-pipelines 在 GraphLearner 中估算数据和编码因子列？

Using mlr3-pipelines to impute data and encode factor columns in GraphLearner?

pipeline

r

machine-learning

mlr3