扩展机器学习工具：自定义度量与管道操作

### 扩展机器学习工具：自定义度量与管道操作 在机器学习的实践中，我们常常需要根据具体的需求扩展现有的工具和库。本文将介绍如何自定义性能度量和管道操作（PipeOps），以满足特定的任务需求。 #### 1. 自定义性能度量 在某些情况下，现有的性能度量可能无法满足我们的需求，这时就需要自定义性能度量。下面以回归问题的均方根误差（Root Mean Squared Error, RMSE）为例，介绍如何自定义性能度量。 ##### 1.1 定义损失函数 首先，我们独立于 `mlr3` 库定义损失函数，用于计算均方根误差： ```R root_mse = function(truth, response) { mse = mean((truth - response)^2) sqrt(mse) } root_mse(c(0, 0.5, 1), c(0.5, 0.5, 0.5)) # [1] 0.4082 ``` ##### 1.2 创建 R6 类 接下来，我们将 `root_mse()` 函数嵌入到一个新的 R6 类中，该类继承自 `mlr3::MeasureRegr`： ```R MeasureRootMSE = R6::R6Class("MeasureRootMSE", inherit = mlr3::MeasureRegr, public = list( initialize = function() { super$initialize( # 自定义度量的 ID id = "root_mse", # 计算此度量所需的额外包 packages = character(), # 属性，详见下文 properties = character(), # 学习器所需的预测类型 predict_type = "response", # 可行的值范围 range = c(0, Inf), # 调优时是否最小化 minimize = TRUE ) } ), private = list( # 对预测对象进行自定义评分的函数 .score = function(prediction, ...) { root_mse = function(truth, response) { mse = mean((truth - response)^2) sqrt(mse) } root_mse(prediction$truth, prediction$response) } ) ) ``` ##### 1.3 重要参数解析 - **properties**：如果将度量标记为 `"requires_task"`，则 `Task` 对象将自动传递给 `.score()` 函数（别忘了在函数签名中添加 `task` 参数）。同样，如果需要操作 `Learner`，可以使用 `"requires_learner"`；如果想在评分函数中访问训练索引集，可以使用 `"requires_train_set"`。 - **aggregator**：该函数（默认为 `mean()`）控制如何将多个性能得分（例如来自不同重采样迭代的得分）聚合为一个单一的数值，如果设置为微观平均。宏观平均时此参数将被忽略。 - **predict_sets**：要操作的预测集（`("train", "test")` 的子集），默认为 “test” 集。 ##### 1.4 添加自定义度量 最后，我们可以将自定义度量添加到 `mlr_measures` 字典中，以便像使用其他度量一样使用它： ```R mlr3::mlr_measures$add("root_mse", MeasureRootMSE) ``` 通常，将度量和 `mlr_measures$add()` 调用放在一个新的 R 文件中，并在项目中源引该文件是个不错的选择。 #### 2. 自定义管道操作（PipeOps） `mlr3pipelines` 包允许我们扩展以包含自定义的管道操作。下面将介绍如何创建自定义的管道操作。 ##### 2.1 准备工作 为了运行后续的示例，我们需要一个任务，这里使用著名的 “Iris” 任务： ```R library("mlr3") task = tsk("iris") task$data() ``` ##### 2.2 一般情况示例：PipeOpCopyTwo `PipeOpCopyTwo` 是一个简单但实用的管道操作，它接受一个输入并创建两个输出通道，每个通道都接收输入数据的副本。 ###### 2.2.1 继承 PipeOp 创建自定义管道操作的第一步是继承 `PipeOp` 类，并实现 `.train()` 和 `.predict()` 函数： ```R PipeOpCopyTwo = R6::R6Class("PipeOpCopyTwo", inherit = mlr3pipelines::PipeOp, public = list( initialize = function(id = "copy.two") { ... } ), private = list( .train = function(inputs) { ... }, .predict = function(inputs) { ... } ) ) ``` ###### 2.2.2 通道定义 我们需要告诉管道操作其通道的布局，包括通道数量、名称和可接受的类型。这可以通过在初始化时提供输入和输出的 `data.table` 对象来完成： ```R initialize = function(id = "copy.two") { input = data.table::data.table(name = "input", train = "*", predict = "*") output = data.table::data.table( name = c("output1", "output2"), train = "*", predict = "*" ) super$initialize(id, input = input, output = output ) } ``` ###### 2.2.3 训练和预测函数 `.train()` 和 `.predict()` 函数都接收一个列表作为输入，并返回一个列表。我们只需要创建两个输入数据的副本： ```R .train = function(inputs) { self$state = list() c(in ```