作者：黄天元，复旦大学博士在读，热爱数据科学与开源工具（R），致力于利用数据科学迅速积累行业经验优势和科学知识发现，涉猎内容包括但不限于信息计量、机器学习、数据可视化、应用统计建模、知识图谱等，著有《R语言高效数据处理指南》（《R语言数据高效处理指南》(黄天元)【摘要 书评 试读】- 京东图书）。知乎专栏：R语言数据挖掘。邮箱：huang.tian-yuan@qq.com.欢迎合作交流。
前文提要：
在mlr包中，预测非常简单，用predict函数即可。如果在任务定义中，已经指定了数据集，还使用了其中的一部分来做训练，希望用剩下的数据来做验证，那么可以使用subset参数来完成，举例如下：
n = getTaskSize(bh.task)
train.set = seq(1, n, by = 2)
test.set = seq(2, n, by = 2)
lrn = makeLearner("regr.gbm", n.trees = 100)
mod = train(lrn, bh.task, subset = train.set)
task.pred = predict(mod, task = bh.task, subset = test.set)
task.pred
## Prediction: 253 observations
## predict.type: response
## threshold:
## time: 0.00
## id truth response
## 2 2 21.6 22.27841
## 4 4 33.4 38.92484
## 6 6 28.7 25.36387
## 8 8 27.1 15.61735
## 10 10 18.9 16.98708
## 12 12 18.9 20.41749
## ... (#rows: 253, #cols: 3) train的时候，subset是train.set；predict的时候，subset是test.set，后得到task.pred值，包含真实值（truth）和预测值（response）。如果数据不再训练的数据框中，那么就需要使用newdata参数来指定。
n = nrow(iris)
iris.train = iris[seq(1, n, by = 2), -5]
iris.test = iris[seq(2, n, by = 2), -5]
task = makeClusterTask(data = iris.train)
mod = train("cluster.kmeans", task)
newdata.pred = predict(mod, newdata = iris.test)
newdata.pred
## Prediction: 75 observations
## predict.type: response
## threshold:
## time: 0.00
## response
## 2 2
## 4 2
## 6 2
## 8 2
## 10 2
## 12 2
## ... (#rows: 75, #cols: 1)如果需要直接获得这些预测值，可以将其转化为数据框。
### Result of predict with data passed via task argument
head(as.data.frame(task.pred))
## id truth response
## 2 2 21.6 22.52737
## 4 4 33.4 36.06190
## 6 6 28.7 24.75354
## 8 8 27.1 16.90299
## 10 10 18.9 17.25558
## 12 12 18.9 20.54365
### Result of predict with data passed via newdata argument
head(as.data.frame(newdata.pred))
## response
## 2 1
## 4 1
## 6 1
## 8 1
## 10 1
## 12 1当然，如果只想取向量，获得结果是一个对象，也有响应的方法可以取出来（getPredictionTruth和getPredictionResponse）。
对于回归问题，还可以得到预测值的标准误（Standard Error,SE），在predict.type中设置为“se”即可:
### Create learner and specify predict.type
lrn.lm = makeLearner("regr.lm", predict.type = 'se')
mod.lm = train(lrn.lm, bh.task, subset = train.set)
task.pred.lm = predict(mod.lm, task = bh.task, subset = test.set)
task.pred.lm
## Prediction: 253 observations
## predict.type: se
## threshold:
## time: 0.00
## id truth response se
## 2 2 21.6 24.83734 0.7501615
## 4 4 33.4 28.38206 0.8742590
## 6 6 28.7 25.16725 0.8652139
## 8 8 27.1 19.38145 1.1963265
## 10 10 18.9 18.66449 1.1793944
## 12 12 18.9 21.25802 1.0727918
## ... (#rows: 253, #cols: 4)而对于分类和聚类问题，则可以得到其判断为每一个类别的似然概率，只要将predict.type设置为“prob”即可：
lrn = makeLearner("cluster.cmeans", predict.type = "prob")
mod = train(lrn, mtcars.task)
pred = predict(mod, task = mtcars.task)
head(getPredictionProbabilities(pred))
## 1 2
## Mazda RX4 0.020400964 0.97959904
## Mazda RX4 Wag 0.020360747 0.97963925
## Datsun 710 0.007341207 0.99265879
## Hornet 4 Drive 0.457052250 0.54294775
## Hornet Sportabout 0.981291168 0.01870883
## Valiant 0.242514386 0.75748561
lrn = makeLearner("classif.rpart", predict.type = "prob")
mod = train(lrn, iris.task)
pred = predict(mod, newdata = iris)
head(as.data.frame(pred))
## truth prob.setosa prob.versicolor prob.virginica response
## 1 setosa 1 0 0 setosa
## 2 setosa 1 0 0 setosa
## 3 setosa 1 0 0 setosa
## 4 setosa 1 0 0 setosa
## 5 setosa 1 0 0 setosa
## 6 setosa 1 0 0 setosa响应的面向对象提取方法为getPredictionProbabilities。对于分类问题而言，还可以使用calculateConfusionMatrix来获得混淆矩阵。同时，可以使用setThreshold函数来更改判别阈值，如似然概率达到90%才能够认为它属于某一个类别，这个功能在二分类和多分类中均可以使用。
后，plotLearnerPrediction函数可以对预测结果进行一定的可视化。不过由于数据是多维的，一般需要自定义选择1~2个特征来做。
参考链接：
