在R語(yǔ)言中，mlr3包是一個(gè)用于機(jī)器學(xué)習(xí)的強(qiáng)大工具包。它提供了一種簡(jiǎn)單且靈活的方式來(lái)執(zhí)行超參數(shù)調(diào)整。

生存網(wǎng)絡(luò)是一種用于生存分析的模型，常用在醫(yī)學(xué)和生物學(xué)領(lǐng)域。生存分析是一種統(tǒng)計(jì)方法，用于研究事件發(fā)生的時(shí)間和相關(guān)因素對(duì)事件發(fā)生的影響。生存網(wǎng)絡(luò)可以用來(lái)預(yù)測(cè)個(gè)體在給定時(shí)間點(diǎn)發(fā)生事件的概率，并分析影響事件發(fā)生的因素。

而mlr3proba是一個(gè)R語(yǔ)言包，提供了一套機(jī)器學(xué)習(xí)算法，可用于生存分析和預(yù)測(cè)。mlr3proba基于mlr3框架，提供了多種生存模型及其評(píng)估指標(biāo)，方便用戶(hù)進(jìn)行生存分析的建模和評(píng)估。

通過(guò)結(jié)合生存網(wǎng)絡(luò)和mlr3proba，可以使用生存網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)個(gè)體在給定時(shí)間點(diǎn)發(fā)生事件的概率，并使用mlr3proba提供的工具進(jìn)行模型的訓(xùn)練、評(píng)估和選擇最佳模型。這樣可以更準(zhǔn)確地預(yù)測(cè)個(gè)體的生存概率，并分析影響事件發(fā)生的因素。

主題與背景

本文是一篇關(guān)于在R語(yǔ)言環(huán)境中使用生存神經(jīng)網(wǎng)絡(luò)（survival networks）的高級(jí)演示文章。作者旨在回答讀者關(guān)于如何在R中安裝Python模塊、使用特定的生存分析模型、調(diào)優(yōu)這些模型以及比較不同模型性能的問(wèn)題。文章假設(shè)讀者已經(jīng)了解生存分析、神經(jīng)網(wǎng)絡(luò)的基本概念以及常見(jiàn)的超參數(shù)、基本的機(jī)器學(xué)習(xí)方法如重采樣和調(diào)優(yōu)。

主要觀點(diǎn)

目標(biāo)讀者

面向?qū)ι嫔窠?jīng)網(wǎng)絡(luò)感興趣的R用戶(hù)。

假設(shè)讀者熟悉生存分析、神經(jīng)網(wǎng)絡(luò)和基本的機(jī)器學(xué)習(xí)方法。

主要內(nèi)容

安裝Python模塊在R中：

使用install.packages和remotes::install_github安裝必要的R包。

安裝survivalmodels中的Python模塊，如pycox和keras，通過(guò)sinstall_pycox和install_keras函數(shù)。

設(shè)置隨機(jī)種子以確保結(jié)果可重復(fù)性，使用sset_seed函數(shù)。

使用survivalmodels和mlr3proba：

survivalmodels：包含多個(gè)神經(jīng)網(wǎng)絡(luò)模型，前五個(gè)使用reticulate連接Python的pycox包，后一個(gè)使用R的keras包。

mlr3proba：用于概率監(jiān)督學(xué)習(xí)，包括生存分析。提供更全面的功能，如數(shù)據(jù)預(yù)處理和模型調(diào)優(yōu)。

模型調(diào)優(yōu)與數(shù)據(jù)預(yù)處理

調(diào)優(yōu)：使用mlr3tuning包進(jìn)行超參數(shù)配置和調(diào)優(yōu)控制。

創(chuàng)建超參數(shù)搜索空間，使用paradox包。

定義自動(dòng)調(diào)參器AutoTuner，設(shè)置調(diào)參策略。

數(shù)據(jù)預(yù)處理：使用mlr3pipelines包進(jìn)行數(shù)據(jù)預(yù)處理。

使用管道操作符po進(jìn)行獨(dú)熱編碼和特征標(biāo)準(zhǔn)化。

模型訓(xùn)練與評(píng)估

實(shí)驗(yàn)設(shè)置：使用多個(gè)生存數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試。

獲取數(shù)據(jù)集，創(chuàng)建任務(wù)對(duì)象。

訓(xùn)練與調(diào)優(yōu)：訓(xùn)練并調(diào)優(yōu)神經(jīng)網(wǎng)絡(luò)模型。

應(yīng)用自動(dòng)調(diào)參器到各個(gè)學(xué)習(xí)器。

基準(zhǔn)測(cè)試與比較：使用mlr3benchmark包進(jìn)行模型比較。

設(shè)置交叉驗(yàn)證策略，添加其他基線(xiàn)模型（如Kaplan-Meier和Cox PH）。

聚合結(jié)果，使用Harrell’s C指數(shù)和Integrated Graf Score作為評(píng)價(jià)指標(biāo)。

進(jìn)行Friedman檢驗(yàn)，繪制關(guān)鍵差異圖。

結(jié)果分析

在玩具示例中，初步結(jié)論是Cox PH表現(xiàn)最佳，DeepHit表現(xiàn)最差。

通過(guò)mlr3benchmark進(jìn)一步詳細(xì)比較模型結(jié)果，發(fā)現(xiàn)沒(méi)有顯著差異。

總結(jié)

本文通過(guò)一系列步驟展示了如何在R環(huán)境中利用mlr3家族的包來(lái)安裝、使用、調(diào)優(yōu)和比較生存神經(jīng)網(wǎng)絡(luò)模型。核心觀點(diǎn)在于，mlr3接口簡(jiǎn)化了從生存模型選擇、調(diào)優(yōu)到比較的整個(gè)過(guò)程，使得研究人員能夠更高效地探索和應(yīng)用這些先進(jìn)的生存分析技術(shù)。盡管示例中的模型由于數(shù)據(jù)集較小而表現(xiàn)不佳，但所展示的方法和工具為實(shí)際應(yīng)用提供了有價(jià)值的指導(dǎo)。

mlr3家族的包之間存在緊密的關(guān)聯(lián)和協(xié)作，共同構(gòu)成了一個(gè)完整的機(jī)器學(xué)習(xí)生態(tài)系統(tǒng)。以下是基于文檔內(nèi)容對(duì)mlr3家族包之間關(guān)系的總結(jié)：

1. mlr3：這是核心包，提供了基本的機(jī)器學(xué)習(xí)框架和接口，包括任務(wù)、學(xué)習(xí)器和評(píng)估方法。

2. mlr3proba：這是mlr3的一個(gè)擴(kuò)展包，專(zhuān)注于概率監(jiān)督學(xué)習(xí)，特別是生存分析。它提供了專(zhuān)門(mén)用于生存分析的任務(wù)和學(xué)習(xí)器。

3. mlr3extralearners：這個(gè)包包含了額外的學(xué)習(xí)器，可以與mlr3和其他擴(kuò)展包一起使用，增加了可用模型的數(shù)量。

4. mlr3tuning：這個(gè)包提供了模型調(diào)參的功能，允許用戶(hù)通過(guò)不同的搜索策略（如隨機(jī)搜索）來(lái)優(yōu)化模型的超參數(shù)。

5. mlr3pipelines：這個(gè)包提供了數(shù)據(jù)預(yù)處理的功能，通過(guò)管道操作符（%>>%）連接不同的預(yù)處理步驟，如編碼和標(biāo)準(zhǔn)化。

6. mlr3benchmark：這個(gè)包用于模型的基準(zhǔn)測(cè)試和比較，提供了統(tǒng)計(jì)檢驗(yàn)和可視化工具來(lái)分析不同模型的表現(xiàn)。

這些包之間的關(guān)系可以概括為：

• mlr3作為核心框架，其他擴(kuò)展包在其基礎(chǔ)上提供特定功能。

• mlr3proba擴(kuò)展了mlr3，提供了生存分析相關(guān)的功能。

• mlr3extralearners增加了更多的學(xué)習(xí)器，豐富了模型選擇。

• mlr3tuning提供了調(diào)參功能，幫助優(yōu)化模型性能。

• mlr3pipelines提供了數(shù)據(jù)預(yù)處理功能，確保數(shù)據(jù)適合模型訓(xùn)練。

• mlr3benchmark提供了模型比較和結(jié)果分析的功能，幫助用戶(hù)選擇最佳模型。

這是一個(gè)高級(jí)演示，我將假設(shè)你知道：i）什么是生存分析; ii）什么是神經(jīng)網(wǎng)絡(luò)（以及常見(jiàn)的超參數(shù)）; iii）基本的機(jī)器學(xué)習(xí)（ML）方法，如重新排序和調(diào)整。如果需要，我很樂(lè)意在以后的文章中全面介紹這些主題。

In this article we will cover how to: i) install Python modules in R; ii) use models implemented in survivalmodels(Sonabend 2020) with mlr3proba(Sonabend et al. 2021) ; iii) tune models with mlr3tuning(Lang, Richter, et al. 2019) and preprocess data with mlr3pipelines(Binder et al. 2019); iv) benchmark and compare models in mlr3proba; v) analyse results in mlr3benchmark(Sonabend and Pfisterer 2020). Many of these packages live in the mlr3 family and if you want to learn more about them I’d recommend starting with the mlr3book(Becker et al. 2021a).
在本文中，我們將介紹如何：i）在R中安裝Python模塊; ii）使用帶有mlr 3 proba（Sonabend et al.2021）的survivalmodels（Sonabend 2020）中實(shí)現(xiàn)的模型; iii）使用mlr 3 tuning（Lang，Richter，et al.2019）調(diào)優(yōu)模型，并使用mlr 3 pipelines（Binder et al.2019）預(yù)處理數(shù)據(jù); iv）在mlr 3 proba中對(duì)模型進(jìn)行基準(zhǔn)測(cè)試和比較; v）在mlr3benchmark中分析結(jié)果（Sonabend and Pfisterer2020）。這些軟件包中的許多都存在于mlr 3家族中，如果你想了解更多關(guān)于它們的信息，我建議你從mlr 3book開(kāi)始（Becker et al.2021a）。

The code in this demonstration is a ‘toy’ example with choices made to run the code quickly on my very old laptop, all models are expected to perform poorly.
這個(gè)演示中的代碼是一個(gè)“玩具”示例，選擇在我非常舊的筆記本電腦上快速運(yùn)行代碼，所有型號(hào)的性能都很差。

Let’s get deep learning!  讓我們開(kāi)始深度學(xué)習(xí)吧！

Installing Packages  安裝包

We will be using several packages, to follow along make sure you install the following:
我們將使用幾個(gè)軟件包，沿著確保您安裝以下軟件包：

install.packages(c("ggplot2", "mlr3benchmark", "mlr3pipelines", "mlr3proba", "mlr3tuning", "survivalmodels"))
remotes::install_github("mlr-org/mlr3extralearners")

I have installed the following versions:
我已經(jīng)安裝了以下版本：