使用 mlr3 PipeOps 创建具有不同数据子集的分支

Question

我想使用 mlr3 在不同的数据子集上训练模型，我想知道是否有办法在管道中的不同数据子集上训练模型。

我想做的与R for Data Science - Chapter 25: Many models中的例子类似。假设我们使用同一个数据集，gapminder，这个数据集包含了世界各国不同的变量，比如 GDP 和预期寿命。如果我想为每个国家/地区的预期寿命训练模型，是否有使用 mlr3 创建此类管道的简单方法？

理想情况下，我想使用 mlr3pipelines 在图形中为每个子集创建一个分支（例如，为每个国家/地区创建一个单独的分支），最后有一个模型。因此，最终图将从单个节点开始，并在末端节点有 n 个训练有素的学习者，数据集中每个组（即国家/地区）一个，或聚合结果的最终节点。我还希望它适用于新数据，例如，如果我们在未来获得 2020 年的新数据，我希望它能够使用针对特定国家/地区训练的模型为每个国家/地区创建预测。

我发现的所有 mlr3 示例似乎都处理整个数据集的模型，或者用训练集中的所有组训练模型。

目前，我只是手动为每组数据创建一个单独的任务，但如果将数据子集化步骤合并到建模管道中会很好。

Answer 1

如果您拥有以下两个包中的函数，将会有所帮助：dplyr 和 tidyr。以下代码向您展示了如何按国家/地区训练多个模型：

library(dplyr)
library(tidyr)

df <- gapminder::gapminder

by_country <- 
  df %>% 
  nest(data = -c(continent, country)) %>% 
  mutate(model = lapply(data, learn))

请注意，learn 是一个将单个数据帧作为其输入的函数。稍后我将向您展示如何定义该函数。现在你需要知道这个管道返回的dataframe是这样的：

# A tibble: 142 x 4
   country     continent data              model     
   <fct>       <fct>     <list>            <list>    
 1 Afghanistan Asia      <tibble [12 x 4]> <LrnrRgrR>
 2 Albania     Europe    <tibble [12 x 4]> <LrnrRgrR>
 3 Algeria     Africa    <tibble [12 x 4]> <LrnrRgrR>
 4 Angola      Africa    <tibble [12 x 4]> <LrnrRgrR>
 5 Argentina   Americas  <tibble [12 x 4]> <LrnrRgrR>
 6 Australia   Oceania   <tibble [12 x 4]> <LrnrRgrR>
 7 Austria     Europe    <tibble [12 x 4]> <LrnrRgrR>
 8 Bahrain     Asia      <tibble [12 x 4]> <LrnrRgrR>
 9 Bangladesh  Asia      <tibble [12 x 4]> <LrnrRgrR>
10 Belgium     Europe    <tibble [12 x 4]> <LrnrRgrR>

要定义 learn 函数，我按照 mlr3 网站上提供的步骤进行操作。函数是

learn <- function(df) {
  # I create a regression task as the target `lifeExp` is a numeric variable.
  task <- mlr3::TaskRegr$new(id = "gapminder", backend = df, target = "lifeExp")
  # define the learner you want to use.
  learner <- mlr3::lrn("regr.rpart")
  # train your dataset and return the trained model as an output
  learner$train(task)
}

希望这能解决您的问题。

新建

考虑以下步骤来训练您的模型并预测每个国家/地区的结果。

create_task <- function(id, df, ratio) {
  train <- sample(nrow(df), ratio * nrow(df))
  task <- mlr3::TaskRegr$new(id = as.character(id), backend = df, target = "lifeExp")
  list(task = task, train = train, test = seq_len(nrow(df))[-train])
}

model_task <- function(learner, task_list) {
  learner$train(task_list[["task"]], row_ids = task_list[["train"]])
}

predict_result <- function(learner, task_list) {
  learner$predict(task_list[["task"]], row_ids = task_list[["test"]])
}

by_country <- 
  df %>% 
  nest(data = -c(continent, country)) %>% 
  mutate(
    task_list = Map(create_task, country, data, 0.8), 
    learner = list(mlr3::lrn("regr.rpart"))
  ) %>% 
  within({
    Map(model_task, learner, task_list)
    prediction <- Map(predict_result, learner, task_list)
  })

使用 mlr3 PipeOps 创建具有不同数据子集的分支

Create branches with different subsets of data with mlr3 PipeOps

r

mlr3