mlr3 AutoFSelector glmnet：错误 (if(cv)glmnet::cv.glmnet else glmnet::glmnet)(x = data, y = target, :# x should be a matrix with 2 or more columns
mlr3 AutoFSelector glmnet: Error in (if(cv)glmnet::cv.glmnet else glmnet::glmnet)(x = data, y = target, :# x should be a matrix with 2 or more columns
我是 mlr3 的初学者，在 运行ning AutoFSelector 学习器与 glmnet 相关联的分类任务包含 >2000 个数字变量时遇到问题。
我在使用更简单的 mlr3 预定义任务声纳时重现了这个错误。
请注意，我在 macOS Monterey 12.1 上使用 R 版本 4.1.2 (2021-11-01)。所有必需的包都已加载到 CRAN 上。
library(mlr3verse)
#> Loading required package: mlr3
data("Sonar", package = "mlbench")
task <- as_task_classif(Sonar, target = "Class", positive = "R")
fselector <- fs("sequential")
terminator <- trm("evals", n_evals = 10)
afs <- AutoFSelector$new(
learner = lrn("classif.glmnet", predict_type = "prob"),
resampling = rsmp("cv", folds = 3),
measure = msr("classif.ce"),
terminator = terminator,
fselector = fselector
)
rr <- resample(task, afs, resampling = rsmp("cv", folds = 3), store_models = TRUE)
#> INFO [16:18:38.455] [mlr3] Applying learner 'classif.glmnet.fselector' on task 'Sonar' (iter 3/3)
#> INFO [16:18:38.527] [bbotk] Starting to optimize 60 parameter(s) with '<FSelectorSequential>' and '<TerminatorEvals> [n_evals=10, k=0]'
#> INFO [16:18:38.546] [bbotk] Evaluating 60 configuration(s)
#> INFO [16:18:41.674] [mlr3] Running benchmark with 180 resampling iterations
#> INFO [16:18:41.677] [mlr3] Applying learner 'select.classif.glmnet' on task 'Sonar' (iter 3/3)
#> Error in (if (cv) glmnet::cv.glmnet else glmnet::glmnet)(x = data, y = target, : x should be a matrix with 2 or more columns
#> This happened PipeOp classif.glmnet's $train()
由 reprex package (v2.0.1)
于 2022-01-24 创建
会话信息
sessioninfo::session_info()
#> ─ Session info ───────────────────────────────────────────────────────────────
#> setting value
#> version R version 4.1.2 (2021-11-01)
#> os macOS Monterey 12.1
#> system aarch64, darwin20
#> ui X11
#> language (EN)
#> collate en_US.UTF-8
#> ctype en_US.UTF-8
#> tz Europe/Zurich
#> date 2022-01-24
#> pandoc 2.17.0.1 @ /opt/homebrew/bin/ (via rmarkdown)
#>
#> ─ Packages ───────────────────────────────────────────────────────────────────
#> package * version date (UTC) lib source
#> assertthat 0.2.1 2019-03-21 [1] CRAN (R 4.1.2)
#> backports 1.4.1 2021-12-13 [1] CRAN (R 4.1.1)
#> bbotk 0.5.0 2022-01-19 [1] CRAN (R 4.1.2)
#> checkmate 2.0.0 2020-02-06 [1] CRAN (R 4.1.2)
#> cli 3.1.1 2022-01-20 [1] CRAN (R 4.1.2)
#> clue 0.3-60 2021-10-11 [1] CRAN (R 4.1.2)
#> cluster 2.1.2 2021-04-17 [2] CRAN (R 4.1.2)
#> clusterCrit 1.2.8 2018-07-26 [1] CRAN (R 4.1.2)
#> codetools 0.2-18 2020-11-04 [2] CRAN (R 4.1.2)
#> colorspace 2.0-2 2021-06-24 [1] CRAN (R 4.1.2)
#> crayon 1.4.2 2021-10-29 [1] CRAN (R 4.1.2)
#> data.table 1.14.2 2021-09-27 [1] CRAN (R 4.1.2)
#> DBI 1.1.2 2021-12-20 [1] CRAN (R 4.1.2)
#> dictionar6 0.1.3 2021-09-13 [1] CRAN (R 4.1.2)
#> digest 0.6.29 2021-12-01 [1] CRAN (R 4.1.2)
#> distr6 1.6.4 2022-01-17 [1] CRAN (R 4.1.2)
#> dplyr 1.0.7 2021-06-18 [1] CRAN (R 4.1.2)
#> ellipsis 0.3.2 2021-04-29 [1] CRAN (R 4.1.2)
#> evaluate 0.14 2019-05-28 [1] CRAN (R 4.1.2)
#> fansi 1.0.2 2022-01-14 [1] CRAN (R 4.1.2)
#> fastmap 1.1.0 2021-01-25 [1] CRAN (R 4.1.2)
#> foreach 1.5.1 2020-10-15 [1] CRAN (R 4.1.2)
#> fs 1.5.2 2021-12-08 [1] CRAN (R 4.1.1)
#> future 1.23.0 2021-10-31 [1] CRAN (R 4.1.2)
#> future.apply 1.8.1 2021-08-10 [1] CRAN (R 4.1.2)
#> generics 0.1.1 2021-10-25 [1] CRAN (R 4.1.2)
#> ggplot2 3.3.5 2021-06-25 [1] CRAN (R 4.1.2)
#> glmnet 4.1-3 2021-11-02 [1] CRAN (R 4.1.2)
#> globals 0.14.0 2020-11-22 [1] CRAN (R 4.1.2)
#> glue 1.6.1 2022-01-22 [1] CRAN (R 4.1.2)
#> gtable 0.3.0 2019-03-25 [1] CRAN (R 4.1.2)
#> highr 0.9 2021-04-16 [1] CRAN (R 4.1.2)
#> htmltools 0.5.2 2021-08-25 [1] CRAN (R 4.1.2)
#> iterators 1.0.13 2020-10-15 [1] CRAN (R 4.1.2)
#> knitr 1.37 2021-12-16 [1] CRAN (R 4.1.1)
#> lattice 0.20-45 2021-09-22 [2] CRAN (R 4.1.2)
#> lgr 0.4.3 2021-09-16 [1] CRAN (R 4.1.2)
#> lifecycle 1.0.1 2021-09-24 [1] CRAN (R 4.1.2)
#> listenv 0.8.0 2019-12-05 [1] CRAN (R 4.1.2)
#> magrittr 2.0.1 2020-11-17 [1] CRAN (R 4.1.2)
#> Matrix 1.4-0 2021-12-08 [1] CRAN (R 4.1.1)
#> mlr3 * 0.13.1 2022-01-19 [1] CRAN (R 4.1.2)
#> mlr3cluster 0.1.2 2021-09-03 [1] CRAN (R 4.1.2)
#> mlr3data 0.5.0 2021-06-29 [1] CRAN (R 4.1.2)
#> mlr3extralearners 0.5.18 2022-01-23 [1] Github (mlr-org/mlr3extralearners@54fa488)
#> mlr3filters 0.4.2.9000 2021-12-05 [1] local
#> mlr3fselect 0.6.1 2022-01-20 [1] CRAN (R 4.1.2)
#> mlr3learners 0.5.2 2022-01-23 [1] CRAN (R 4.1.2)
#> mlr3measures 0.4.1 2022-01-13 [1] CRAN (R 4.1.2)
#> mlr3misc 0.10.0 2022-01-11 [1] CRAN (R 4.1.2)
#> mlr3pipelines 0.4.0 2021-11-15 [1] CRAN (R 4.1.2)
#> mlr3proba 0.4.3 2022-01-22 [1] CRAN (R 4.1.2)
#> mlr3tuning 0.10.0 2022-01-20 [1] CRAN (R 4.1.2)
#> mlr3verse * 0.2.2 2021-08-11 [1] CRAN (R 4.1.2)
#> mlr3viz 0.5.7 2021-10-14 [1] CRAN (R 4.1.2)
#> munsell 0.5.0 2018-06-12 [1] CRAN (R 4.1.2)
#> ooplah 0.2.0 2022-01-21 [1] CRAN (R 4.1.2)
#> palmerpenguins 0.1.0 2020-07-23 [1] CRAN (R 4.1.2)
#> paradox 0.7.1 2021-03-07 [1] CRAN (R 4.1.2)
#> parallelly 1.30.0 2021-12-17 [1] CRAN (R 4.1.1)
#> param6 0.2.3 2021-10-05 [1] CRAN (R 4.1.2)
#> pillar 1.6.4 2021-10-18 [1] CRAN (R 4.1.2)
#> pkgconfig 2.0.3 2019-09-22 [1] CRAN (R 4.1.2)
#> purrr 0.3.4 2020-04-17 [1] CRAN (R 4.1.2)
#> R.cache 0.15.0 2021-04-30 [1] CRAN (R 4.1.2)
#> R.methodsS3 1.8.1 2020-08-26 [1] CRAN (R 4.1.2)
#> R.oo 1.24.0 2020-08-26 [1] CRAN (R 4.1.2)
#> R.utils 2.11.0 2021-09-26 [1] CRAN (R 4.1.2)
#> R6 2.5.1 2021-08-19 [1] CRAN (R 4.1.2)
#> Rcpp 1.0.8 2022-01-13 [1] CRAN (R 4.1.2)
#> reprex 2.0.1 2021-08-05 [1] CRAN (R 4.1.2)
#> rlang 1.0.0 2022-01-22 [1] Github (r-lib/rlang@f2fbaad)
#> rmarkdown 2.11 2021-09-14 [1] CRAN (R 4.1.2)
#> rstudioapi 0.13 2020-11-12 [1] CRAN (R 4.1.2)
#> scales 1.1.1 2020-05-11 [1] CRAN (R 4.1.2)
#> sessioninfo 1.2.2 2021-12-06 [1] CRAN (R 4.1.2)
#> set6 0.2.4 2021-10-18 [1] CRAN (R 4.1.2)
#> shape 1.4.6 2021-05-19 [1] CRAN (R 4.1.2)
#> stringi 1.7.6 2021-11-29 [1] CRAN (R 4.1.2)
#> stringr 1.4.0 2019-02-10 [1] CRAN (R 4.1.2)
#> styler 1.6.2 2021-09-23 [1] CRAN (R 4.1.1)
#> survival 3.2-13 2021-08-24 [2] CRAN (R 4.1.2)
#> tibble 3.1.6 2021-11-07 [1] CRAN (R 4.1.2)
#> tidyselect 1.1.1 2021-04-30 [1] CRAN (R 4.1.2)
#> utf8 1.2.2 2021-07-24 [1] CRAN (R 4.1.2)
#> uuid 1.0-3 2021-11-01 [1] CRAN (R 4.1.2)
#> vctrs 0.3.8 2021-04-29 [1] CRAN (R 4.1.2)
#> withr 2.4.3 2021-11-30 [1] CRAN (R 4.1.2)
#> xfun 0.29 2021-12-14 [1] CRAN (R 4.1.1)
#> yaml 2.2.1 2020-02-01 [1] CRAN (R 4.1.2)
#>
#> [1] /Users/pjs/Library/R/arm64/4.1/library
#> [2] /Library/Frameworks/R.framework/Versions/4.1-arm64/Resources/library
#>
#> ──────────────────────────────────────────────────────────────────────────────
我得到的错误如下所示并且特定于 glmnet，因为我可以有效地 运行 使用替代学习器的类似代码，例如 classif.rpart。
Erreur dans (if (cv) glmnet::cv.glmnet else glmnet::glmnet)(x = data, y = target, :
x should be a matrix with 2 or more columns
This happened PipeOp classif.glmnet's $train()
有人知道我该如何解决这个问题吗？
非常感谢您的帮助，
克莱门斯
这是 glmnet 特有的问题。 glmnet 需要至少两个特征来拟合一个模型，但在至少一个配置中（顺序向前搜索中的第一个配置）你只有一个特征。
解决这个问题有两种可能：
- 在 mlr3fselect 中打开一个问题并请求一个新参数
min_features（已经有 max_features）以便能够开始搜索 2 个或更多功能。
- 用回退来扩充基础学习器，如果基础学习器失败，则该回退会被安装。这是一个简单的逻辑回归的回退：
learner = lrn("classif.glmnet", predict_type = "prob")
learner$encapsulate = c(train = "evaluate", predict = "evaluate")
learner$fallback = lrn("classif.log_reg", predict_type = "prob")
然后把这个learner传给AutoFselector.
我是 mlr3 的初学者，在 运行ning AutoFSelector 学习器与 glmnet 相关联的分类任务包含 >2000 个数字变量时遇到问题。 我在使用更简单的 mlr3 预定义任务声纳时重现了这个错误。 请注意，我在 macOS Monterey 12.1 上使用 R 版本 4.1.2 (2021-11-01)。所有必需的包都已加载到 CRAN 上。
library(mlr3verse)
#> Loading required package: mlr3
data("Sonar", package = "mlbench")
task <- as_task_classif(Sonar, target = "Class", positive = "R")
fselector <- fs("sequential")
terminator <- trm("evals", n_evals = 10)
afs <- AutoFSelector$new(
learner = lrn("classif.glmnet", predict_type = "prob"),
resampling = rsmp("cv", folds = 3),
measure = msr("classif.ce"),
terminator = terminator,
fselector = fselector
)
rr <- resample(task, afs, resampling = rsmp("cv", folds = 3), store_models = TRUE)
#> INFO [16:18:38.455] [mlr3] Applying learner 'classif.glmnet.fselector' on task 'Sonar' (iter 3/3)
#> INFO [16:18:38.527] [bbotk] Starting to optimize 60 parameter(s) with '<FSelectorSequential>' and '<TerminatorEvals> [n_evals=10, k=0]'
#> INFO [16:18:38.546] [bbotk] Evaluating 60 configuration(s)
#> INFO [16:18:41.674] [mlr3] Running benchmark with 180 resampling iterations
#> INFO [16:18:41.677] [mlr3] Applying learner 'select.classif.glmnet' on task 'Sonar' (iter 3/3)
#> Error in (if (cv) glmnet::cv.glmnet else glmnet::glmnet)(x = data, y = target, : x should be a matrix with 2 or more columns
#> This happened PipeOp classif.glmnet's $train()
由 reprex package (v2.0.1)
于 2022-01-24 创建 会话信息sessioninfo::session_info()
#> ─ Session info ───────────────────────────────────────────────────────────────
#> setting value
#> version R version 4.1.2 (2021-11-01)
#> os macOS Monterey 12.1
#> system aarch64, darwin20
#> ui X11
#> language (EN)
#> collate en_US.UTF-8
#> ctype en_US.UTF-8
#> tz Europe/Zurich
#> date 2022-01-24
#> pandoc 2.17.0.1 @ /opt/homebrew/bin/ (via rmarkdown)
#>
#> ─ Packages ───────────────────────────────────────────────────────────────────
#> package * version date (UTC) lib source
#> assertthat 0.2.1 2019-03-21 [1] CRAN (R 4.1.2)
#> backports 1.4.1 2021-12-13 [1] CRAN (R 4.1.1)
#> bbotk 0.5.0 2022-01-19 [1] CRAN (R 4.1.2)
#> checkmate 2.0.0 2020-02-06 [1] CRAN (R 4.1.2)
#> cli 3.1.1 2022-01-20 [1] CRAN (R 4.1.2)
#> clue 0.3-60 2021-10-11 [1] CRAN (R 4.1.2)
#> cluster 2.1.2 2021-04-17 [2] CRAN (R 4.1.2)
#> clusterCrit 1.2.8 2018-07-26 [1] CRAN (R 4.1.2)
#> codetools 0.2-18 2020-11-04 [2] CRAN (R 4.1.2)
#> colorspace 2.0-2 2021-06-24 [1] CRAN (R 4.1.2)
#> crayon 1.4.2 2021-10-29 [1] CRAN (R 4.1.2)
#> data.table 1.14.2 2021-09-27 [1] CRAN (R 4.1.2)
#> DBI 1.1.2 2021-12-20 [1] CRAN (R 4.1.2)
#> dictionar6 0.1.3 2021-09-13 [1] CRAN (R 4.1.2)
#> digest 0.6.29 2021-12-01 [1] CRAN (R 4.1.2)
#> distr6 1.6.4 2022-01-17 [1] CRAN (R 4.1.2)
#> dplyr 1.0.7 2021-06-18 [1] CRAN (R 4.1.2)
#> ellipsis 0.3.2 2021-04-29 [1] CRAN (R 4.1.2)
#> evaluate 0.14 2019-05-28 [1] CRAN (R 4.1.2)
#> fansi 1.0.2 2022-01-14 [1] CRAN (R 4.1.2)
#> fastmap 1.1.0 2021-01-25 [1] CRAN (R 4.1.2)
#> foreach 1.5.1 2020-10-15 [1] CRAN (R 4.1.2)
#> fs 1.5.2 2021-12-08 [1] CRAN (R 4.1.1)
#> future 1.23.0 2021-10-31 [1] CRAN (R 4.1.2)
#> future.apply 1.8.1 2021-08-10 [1] CRAN (R 4.1.2)
#> generics 0.1.1 2021-10-25 [1] CRAN (R 4.1.2)
#> ggplot2 3.3.5 2021-06-25 [1] CRAN (R 4.1.2)
#> glmnet 4.1-3 2021-11-02 [1] CRAN (R 4.1.2)
#> globals 0.14.0 2020-11-22 [1] CRAN (R 4.1.2)
#> glue 1.6.1 2022-01-22 [1] CRAN (R 4.1.2)
#> gtable 0.3.0 2019-03-25 [1] CRAN (R 4.1.2)
#> highr 0.9 2021-04-16 [1] CRAN (R 4.1.2)
#> htmltools 0.5.2 2021-08-25 [1] CRAN (R 4.1.2)
#> iterators 1.0.13 2020-10-15 [1] CRAN (R 4.1.2)
#> knitr 1.37 2021-12-16 [1] CRAN (R 4.1.1)
#> lattice 0.20-45 2021-09-22 [2] CRAN (R 4.1.2)
#> lgr 0.4.3 2021-09-16 [1] CRAN (R 4.1.2)
#> lifecycle 1.0.1 2021-09-24 [1] CRAN (R 4.1.2)
#> listenv 0.8.0 2019-12-05 [1] CRAN (R 4.1.2)
#> magrittr 2.0.1 2020-11-17 [1] CRAN (R 4.1.2)
#> Matrix 1.4-0 2021-12-08 [1] CRAN (R 4.1.1)
#> mlr3 * 0.13.1 2022-01-19 [1] CRAN (R 4.1.2)
#> mlr3cluster 0.1.2 2021-09-03 [1] CRAN (R 4.1.2)
#> mlr3data 0.5.0 2021-06-29 [1] CRAN (R 4.1.2)
#> mlr3extralearners 0.5.18 2022-01-23 [1] Github (mlr-org/mlr3extralearners@54fa488)
#> mlr3filters 0.4.2.9000 2021-12-05 [1] local
#> mlr3fselect 0.6.1 2022-01-20 [1] CRAN (R 4.1.2)
#> mlr3learners 0.5.2 2022-01-23 [1] CRAN (R 4.1.2)
#> mlr3measures 0.4.1 2022-01-13 [1] CRAN (R 4.1.2)
#> mlr3misc 0.10.0 2022-01-11 [1] CRAN (R 4.1.2)
#> mlr3pipelines 0.4.0 2021-11-15 [1] CRAN (R 4.1.2)
#> mlr3proba 0.4.3 2022-01-22 [1] CRAN (R 4.1.2)
#> mlr3tuning 0.10.0 2022-01-20 [1] CRAN (R 4.1.2)
#> mlr3verse * 0.2.2 2021-08-11 [1] CRAN (R 4.1.2)
#> mlr3viz 0.5.7 2021-10-14 [1] CRAN (R 4.1.2)
#> munsell 0.5.0 2018-06-12 [1] CRAN (R 4.1.2)
#> ooplah 0.2.0 2022-01-21 [1] CRAN (R 4.1.2)
#> palmerpenguins 0.1.0 2020-07-23 [1] CRAN (R 4.1.2)
#> paradox 0.7.1 2021-03-07 [1] CRAN (R 4.1.2)
#> parallelly 1.30.0 2021-12-17 [1] CRAN (R 4.1.1)
#> param6 0.2.3 2021-10-05 [1] CRAN (R 4.1.2)
#> pillar 1.6.4 2021-10-18 [1] CRAN (R 4.1.2)
#> pkgconfig 2.0.3 2019-09-22 [1] CRAN (R 4.1.2)
#> purrr 0.3.4 2020-04-17 [1] CRAN (R 4.1.2)
#> R.cache 0.15.0 2021-04-30 [1] CRAN (R 4.1.2)
#> R.methodsS3 1.8.1 2020-08-26 [1] CRAN (R 4.1.2)
#> R.oo 1.24.0 2020-08-26 [1] CRAN (R 4.1.2)
#> R.utils 2.11.0 2021-09-26 [1] CRAN (R 4.1.2)
#> R6 2.5.1 2021-08-19 [1] CRAN (R 4.1.2)
#> Rcpp 1.0.8 2022-01-13 [1] CRAN (R 4.1.2)
#> reprex 2.0.1 2021-08-05 [1] CRAN (R 4.1.2)
#> rlang 1.0.0 2022-01-22 [1] Github (r-lib/rlang@f2fbaad)
#> rmarkdown 2.11 2021-09-14 [1] CRAN (R 4.1.2)
#> rstudioapi 0.13 2020-11-12 [1] CRAN (R 4.1.2)
#> scales 1.1.1 2020-05-11 [1] CRAN (R 4.1.2)
#> sessioninfo 1.2.2 2021-12-06 [1] CRAN (R 4.1.2)
#> set6 0.2.4 2021-10-18 [1] CRAN (R 4.1.2)
#> shape 1.4.6 2021-05-19 [1] CRAN (R 4.1.2)
#> stringi 1.7.6 2021-11-29 [1] CRAN (R 4.1.2)
#> stringr 1.4.0 2019-02-10 [1] CRAN (R 4.1.2)
#> styler 1.6.2 2021-09-23 [1] CRAN (R 4.1.1)
#> survival 3.2-13 2021-08-24 [2] CRAN (R 4.1.2)
#> tibble 3.1.6 2021-11-07 [1] CRAN (R 4.1.2)
#> tidyselect 1.1.1 2021-04-30 [1] CRAN (R 4.1.2)
#> utf8 1.2.2 2021-07-24 [1] CRAN (R 4.1.2)
#> uuid 1.0-3 2021-11-01 [1] CRAN (R 4.1.2)
#> vctrs 0.3.8 2021-04-29 [1] CRAN (R 4.1.2)
#> withr 2.4.3 2021-11-30 [1] CRAN (R 4.1.2)
#> xfun 0.29 2021-12-14 [1] CRAN (R 4.1.1)
#> yaml 2.2.1 2020-02-01 [1] CRAN (R 4.1.2)
#>
#> [1] /Users/pjs/Library/R/arm64/4.1/library
#> [2] /Library/Frameworks/R.framework/Versions/4.1-arm64/Resources/library
#>
#> ──────────────────────────────────────────────────────────────────────────────
我得到的错误如下所示并且特定于 glmnet，因为我可以有效地 运行 使用替代学习器的类似代码，例如 classif.rpart。
Erreur dans (if (cv) glmnet::cv.glmnet else glmnet::glmnet)(x = data, y = target, : x should be a matrix with 2 or more columns This happened PipeOp classif.glmnet's $train()
有人知道我该如何解决这个问题吗？
非常感谢您的帮助，
克莱门斯
这是 glmnet 特有的问题。 glmnet 需要至少两个特征来拟合一个模型，但在至少一个配置中（顺序向前搜索中的第一个配置）你只有一个特征。
解决这个问题有两种可能：
- 在 mlr3fselect 中打开一个问题并请求一个新参数
min_features（已经有max_features）以便能够开始搜索 2 个或更多功能。 - 用回退来扩充基础学习器，如果基础学习器失败，则该回退会被安装。这是一个简单的逻辑回归的回退：
然后把这个learner传给learner = lrn("classif.glmnet", predict_type = "prob") learner$encapsulate = c(train = "evaluate", predict = "evaluate") learner$fallback = lrn("classif.log_reg", predict_type = "prob")AutoFselector.