predict函数 R_R语言机器学习：mlr包的使用和模型解释（连续变量）

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学术知识发现。知乎专栏：R语言数据挖掘 邮箱：huang.tian-yuan@qq.com.欢迎合作交流。

R语言中，能够构建统一的机器学习框架的包除了caret之外，还有一个更加精细的包叫做mlr。比起caret，它能够设置的参数更加多，能够定制更加细致的框架。但是也是因为如此，与caret相比它要难上手一些，因为必须要懂得更多参数的内在含义才能够正确有效地使用它。本文参考<https://rawgit.com/pbiecek/DALEX_docs/master/vignettes/DALEX_mlr.html>的内容，对mlr包的基本操作做简单的解释，并给出在mlr框架下如何对模型进行解释。如果需要对内容进行详细了解，可以看先前的文章<HopeR：R语言机器学习：caret包使用及其黑箱模型解释（连续变量预测)>，<HopeR：R语言机器学习：caret包使用及其黑箱模型解释（离散变量预测）>。

# 1 载入包和数据

```{r}

library(DALEX)

library(mlr)

library(breakDown)

data(apartments)

head(apartments)

```

# 2 建模与分析

这里要讲关于mlr包建模的一些细节。首先，需要定义任务，也就是告诉模型我们需要做的是分类问题还是回归问题。需要使用makeRegrTask函数对其定义，其中id参数给这个任务做命名，data测存放数据，target参数用来告诉函数哪个变量是响应变量。具体代码如下：

```{r}

set.seed(123)

regr_task <- makeRegrTask(id = "ap", data = apartments, target = "m2.price")

```

其次，我们需要对模型进行定义。这里采用随机森林、神经网络和广义增强模型建模（GBM模型，本质还是基于树的ensemble，具体看这个gbm包的介绍）。

```{r}

regr_lrn_rf <- makeLearner("regr.randomForest")

regr_lrn_nn <- makeLearner("regr.nnet")

regr_lrn_gbm <- makeLearner("regr.