MLJ.JL：可兼容机器学习的Julia包

Julia MLJ的机器学习框架（Julia的机器学习）是在Julia中编写的工具箱，提供了一个公共接口和元算法，用于选择，调整，评估，组合和比较在Julia和其他语言中编写的150个机器学习模型。特别是MLJ包裹着大量的巩膜学习模型。

下面的第一个代码段创建了一个新的朱莉娅环境MLJ_TOUR，并安装旅游所需的包裹。有关创建Julia环境的更多信息，请参阅安装以进行MLJ。

在MLJ中，模型只是超参数的容器，而且所有。在这里，我们将在结合结果和＃34之前应用多种模型组成;元模型＆＃34;使用交叉验证进行评估的机器中的数据。

使用MLJBooster = @Load EvotReEriveLorlarer #loads代码定义模型TypeBooster = Booster（max_depth = 2）＃指定施工船员的超参数.nrounds = 50＃或变异事实上

该模型是迭代模型的示例。正如所示，NROUNDS的迭代次数是固定的。

让＆＃39; s创建一个新的模型，它使用NumbersInceBest（3）标准自动学习迭代次数，如应用于样本L1丢失：

现在我们可以将管道模型包装在优化策略中以使其＆＃34;自我调整＆＃34 ;:

绑定＆＃34;自我调整＆＃34;管道模型到机器中的数据（将另外存储学习参数）：

评估＆＃34;自我调整＆＃34;管道模型＆＃39; S使用5倍交叉验证的性能（暗示多个嵌套重采样）：

朱莉娅＆gt;评估！（Mach，措施= [L1，L2]，重采样= CV（nfolds = 5，RNG = 123），加速= Cputhreads（），冗长= 2）┌────────────────── ───────┬───────────────┬────────────────────────── ─────────────────────────────────────────────────────────────────────────────────────────────────────────── ───────────────── - ───────────────────── ────────────────410│16900.0，18600.0，16400.0,18600.0，16400.0，18600.0]││LPLOSE{INT64} @ 632 │6.57E8[6.38E8,6.19E8,5.92E8,5.67E8,8.7E8]│└───────────────────────── ────────┴───────────────────────────────────────── ─────────[20300.0,21800.0，...，7910.0]，...，12600.0]，[22000.0，91600.0，...，35500.0]，[ 2980.0,35700.0，...，6240.0]，[9140.0,30000.0，...，3050.0]，[[4.13e8,4.74e8，...，6.26e7]，[1.85e7,1.02e9，...... ，1.59E8]，[4.83E8,8.38E9，...，1.26E9]，[8.86E6,1.28E9，...，3.89E7]，[8.35E7,9.01E8，...，9.31e6]] ] _。fitted_pa​​rams_per_fold = [...] _。report_per_fold = [...]

通过更容易地使用来自各种包装的模型来促进朱莉亚ML /统计生态系统的改进，

可扩展调谐界面，以支持越来越多的优化策略，并设计与模型组成相媲美。

通用模型组合API＆＃39;我们提供的其他工具箱提供了我们调查的一个或多个以下缺点，其中不存在MLJ：

线性管道中的监督组件只能在管道的末尾发生。

模型堆叠，无法实现基础学习者的样本预测（单独使用通用API）。

不容易检查或操纵组件模型的超参数和/或学习参数（例如，通过调谐算法）

复合模型不能实现多个操作，例如，预测和转换方法（如群集模型中）或变换和inverse_transform方法。

有关更多信息，请参阅MLJ设计纸张或我们的合成界面上的详细纸张。

鼓励用户提供有关使用MLJ的经验的反馈并报告问题。你可以在这里或#mlj julia slack频道这样做。

最初建议在新环境中安装MLJ和关联包以避免包冲突。你可以做到这一点

值得注意的是，MLJ基本上是一个大包装器，提供对模型提供包的统一访问。因此，一般需要为您的环境添加其他包以使特定于模型的代码可用。当您使用MLJ＆＃39; snortactive load命令@ilad时，这会自动发生自动发生

在其中还要要求您选择提供包，可以为多个提供决策权限模型。有关识别适用模型的名称，请参阅模型搜索。对于代码（例如，从模块或函数）的非交互式加载，请参阅加载模型代码。

建议您从更成熟的软件包中开始模型，例如Decandtree.jl，scikitlearn.jl或xgboost.jl。

MLJ由许多卫星包（MLJTUNING，MLJModelInterface等）支持，常规用户不需要直接安装。开发人员可以在这里了解更多信息

如果您在另一种语言中进行编程经验，但朱莉娅新是新的，那么我们强烈推荐Aaron Christinson＆＃39; S的辅导调度设计模式，在他的半小时视频演示中很好地压缩。

但是，一个人并不需要在朱莉娅中编程以开始使用MLJ。

本文件虽然与示例乱扔垃圾，主要是旨在作为完整的参考。学习MLJ的资源是：

欢迎用户加入#MLJ Julia Slack频道提出问题并提出建议。

@Article {blaom2020，doi = {10.21105 / joss.02704}，url = {https://doi.org/10.21105/joss.02704}，年= {2020}，publisher = {开放期刊}，卷= { 5}，number = {55}，页面= {2704}，作者= {anthony d. blaom和franz kienart和thibaut lienart和yiannis simillides和迭戈arenas和sebastian J.Vollmer}，标题= {{{MLJ}：朱莉娅 可组合机器学习包}，journal = {of Open Source Software}} @misc {blaom2020flexible，title = {{mlj的灵活模型组成及其在mlj}}，作者= {anthony d. blaom和sebastian J.Vollmer}，年= {2020}，ePrint = {2012.15505}，ArchivePrefix = {arxiv}，primaryclass = {cs.lg}}