mlr3：开篇

今天开始推送R语言机器学习相关的内容，机器学习在R语言中的发展很快，目前很多R包都很成熟了，后面将会逐渐介绍mlr3、tidymodels、caret等R包。

mlr3简介

mlr3包和其扩展包为R语言提供了一个统一的、面向对象的、可扩展的机器学习框架，可用于回归、分类、生存分析和其他机器学习任务。mlr3并没有引入新的机器学习算法，而是为R中的机器学习R包通过了统一的接口，通过这个统一的接口，用户可以创建任务、选择合适的参数、进行大规模的模型比较等。原生支持多个步骤的并行化操作。

目标群体

我们希望mlr3使用者具有基本的R语言和机器学习知识，本教程的后面一些内容将会介绍更高级的知识。mlr3既适合复杂的大型任务，也可以用于简单的任务。

mlr3既适合相关从业人员快速进行机器学习算法，也适合于研究人员在统一的环境中实施、测试、比较新的算法。mlr3包是mlr包的重写，吸收了最先进的经验，易于使用和扩展。

为什么重写？

mlr于2013年上架CRAN，目前已逐渐落伍，许多特性已不适合目前复杂的任务需求。另外许多非常棒的R包已逐渐发展成熟，比如data.table，因此我们希望开发一个新的R包，它可以提供统一的接口，可适应多种不同的复杂任务场景，基于最先进的机器学习经验，速度足够快！因此mlr3诞生了，它有很多新的特性，比如R6/future/data.table。

设计理念

• 后端高于前段

  mlr3包及其生态系统专注于处理和转换数据、应用机器学习模型、计算结果，不提供图形化界面，数据和结果的可视化通过其他R包实现。

• 使用R6

  获得简洁的、面向对象的设计。

• 使用data.table

  获得更快、更方便的数据操作。

• 统一容器和结果类，以data.table格式返回结果

  这一特性简化了API，允许用户轻松选择和使用split-apply-combine操作，将R6和data.table结合。

• 防御式编程和类型安全

  所有用户输入都通过checkmate检查，返回的结果都是有记录的，并且避免使用base R中的某些机制，因为这些机制会简化结果或者丢失信息。

• 减少依赖包

  mlr的一大缺点就是需要维护大量依赖包，而mlr3的依赖包大大减少，方便维护。

mlr3生态

• R6:参考类对象。（不是太懂，可类比R中的S3，S4对象，但是刚用起来感觉语法很奇怪）
• data.table：更快的速度！（明显感觉比tidymodels快很多）
• digest：hash digests
• uuid：唯一的字符标识
• lgr：日志控制
• mlbench：常用机器学习数据集

以上所有R包都是很成熟的，都是经过精心挑选的，不存在依赖性问题。对于更好的功能实现我们建议暗转以下R包：

• 并行化：future/future.apply
• 进度条：progressr
• 获取输出、警告和异常情况：evaluate/callr

mlr3包只提供基础的机器学习框架，对于更多的操作和更复杂的任务，可参考以下mlr3生态：