说到机器学习，很多人首先想到的是Python sklearn，实际上如果是学界使用为主的话，R语言的mlr3verse 才是更优解。
一、先看一下 mlr3verse 的生态
mlr3verse除了常规的回归、分类、聚类之外，还包含其它的学术方向：时空、函数型、空间、时间序列、生存。
mlr3verse 是现代化、面向对象的机器学习生态系统，它提供了一套统一、模块化、可扩展的接口设计。无论是线性回归、支持向量机、随机森林，还是梯度提升树，所有算法都遵循一致的流程方法，极大降低了学习和使用成本。
常规机器学习流程我就不展示了，下文将展示两个对于 sklearn 来说非常棘手、繁琐的案例。
二、mlr3verse在学界中的独特价值
mlr3verse不仅致力于“让建模更高效”，更强调“让研究更严谨”。它为科研人员提供了一套符合统计学规范、支持发表级分析的完整工具链，以下特性尤为突出：
1．嵌套重抽样：确保无偏性能估计
在模型开发中，超参数调优常在验证集上进行。然而，如果在同一验证集上同时进行调参和性能评估，会引入乐观偏差，导致报告的性能指标高估模型的真实泛化能力。
mlr3verse通过嵌套重抽样原生解决这一问题：
- 内层循环用于超参数优化（如在每折训练集中再进行5折交叉验证）。
这一设计确保模型性能的无偏估计，满足学术研究对方法严谨性的高要求。相比之下，许多其他工具要么缺乏此功能，要么需手动实现，易出错且效率低下。
2. 统计推断：从描述性能到检验差异
在算法比较研究中，仅仅报告“模型A的AUC为0.85”远远不够，科研人员更关心“模型A是否显著优于模型B”。mlr3verse通过基准测试（或mlr3batchmark包）和mlr3inferr包（泛化误差统计推断）提供强大支持：
- 在单个或多个数据集上公平无偏地比较不同算法的性能；
- mlr3batchmark 支持将 mlr3 基准实验分布式运行于高性能计算环境，并提供统计显著性检验功能。
这种“从描述到推断”的能力，使mlr3verse成为方法论研究、仿真实验和论文复现的理想平台，特别适合需要高可信度和严谨性的场景。
-
科研导向的设计哲学 mlr3verse的架构围绕科研需求设计，强调：
- 可复现的实验流程：通过确定性种子控制与完整流程封装，确保结果可精确复现，满足学术发表的严谨性要求；
- 可审计的建模路径与可比较的预处理策略：图学习器不仅记录完整操作链，还支持构建分支管道，系统评估不同预处理方案与模型组合的性能差异；
- 可发表的分析输出：结构化结果对象配合 mlr3viz::autoplot() 快速生成高质量图形，经 ggplot2 进一步润色后可直接用于论文与报告。
这些特性使mlr3verse不仅适用于教学和科研，也成为系统性机器学习实验（如算法基准测试、特征工程影响分析、模型鲁棒性评估）的首选工具。
三、如何选择算法？让实验设计驱动决策
机器学习实践一个非常常见的场景：(1) 选择哪个算法？
很显然，应该选择的是：(2) 哪个带超参数调优的算法
再提升一下，应该选择的是：(3) 哪个特征工程分支+带超参数调优的算法（完整方案）
而 (3) 在 mlr3verse 下非常容易实现，因为有图学习器和基准测试，让你能轻松使用嵌套重抽样无偏估计哪个完整方案更好。
案例1
以 Sonar 数据集为例，基准测试对比
- 对
num.trees, mtry, min.node.size 做超参数调优的随机森林
的无偏性能表现（嵌套重抽样：外层5折交叉验证，内存4折交叉验证）
library(mlr3verse)
task = tsk("sonar")
lrn_svm = lrn("classif.svm", type = "C-classification", kernel = "radial", predict_type = "prob")
ps_svm = ps(cost = p_dbl(1, 1e5, logscale = TRUE), gamma = p_dbl(1e-5, 1))
at_svm = auto_tuner(
tuner = tnr("random_search"),
learner = lrn_svm,
search_space = ps_svm,
resampling = rsmp("cv", folds = 4),
measure = msr("classif.auc"),
term_evals = 10)
lrn_rf = lrn("classif.ranger", predict_type = "prob")
ps_rf = ps(num.trees = p_int(2, 10, trafo = \(x) 5 * x),
mtry = p_int(3, 20), min.node.size = p_int(2, 10))
at_rf = auto_tuner(
tuner = tnr("random_search"),
learner = lrn_rf,
search_space = ps_rf,
resampling = rsmp("cv", folds = 4),
measure = msr("classif.auc"),
term_evals = 10)
set.seed(123)
design = benchmark_grid(tasks = task, learners = list(at_svm, at_rf),
resamplings = rsmp("cv", folds = 5))
bmr = benchmark(design)
bmr$aggregate(msr("classif.auc")) # 平均性能
imageautoplot(bmr, measure = msr("classif.auc")) # 默认箱线图(外层迭代5次性能）
image四、易错场景：不平衡处理+超参数调优
处理不平衡数据时需遵循一个基本原则：不平衡处理只能应用于训练集，绝不能影响验证集或测试集。
当模型训练涉及超参数调优时，这一原则的实现变得更加复杂。此时数据应按以下方式划分与使用：
- （外）训练集：用于训练最终模型，在调参阶段需进一步划分为（内）训练集和验证集；
- 测试集：仅用于最终性能评估，全程不可参与模型训练或调参。
那么，如何确保不平衡处理不违反上述原则？以下是一些常见的误区：
(1) 对整个（外）训练集提前进行不平衡处理
错误。这会导致内层交叉验证中的“验证集”也被间接影响，破坏了评估的独立性。
(2) 仅对（内）训练集处理，但验证集未处理
表面上看似合理，但若在调参后直接用处理过的（内）训练集与未处理的验证集合并训练最终模型，会导致数据分布不一致。
(3) 训练集经采样后样本量变化，如何评估原始数据上的性能？
若直接在采样后的数据上评估，无法反映模型在真实分布下的表现。
正确做法是：分阶段独立处理。其实原理并不复杂，关键在于将调参阶段与训练最终模型阶段的不平衡处理分开：
- 调参阶段：每次内层 CV 训练时，仅对（内）训练集进行不平衡处理，验证集保持原始分布；
- 训练最终模型阶段：使用最优超参数，对整个（外）训练集重新进行不平衡处理并训练最终模型；
-
预测阶段：模型在原始的训练集和测试集上分别进行预测，从而公平比较其在真实数据分布下的性能。
这一流程虽然逻辑严谨，但手动实现较为繁琐。mlr3verse 框架通过图学习器将预处理与模型打包，自动实现了上述复杂逻辑，极大简化了操作。
案例2
SMOTE + 决策树调参的完整示例，展示如何在 mlr3 中正确执行结合不平衡处理的超参数调优。
task = tsk("spam") # 垃圾邮件分类
## 划分(外)训练集、测试集
set.seed(123)
split = partition(task, ratio = 0.8)
## 图学习器, 打包SMOTE和决策树学习器
glrn = po("smote", dup_size = 1) %>>% # 少数类增加1倍
lrn("classif.rpart")
## 超参数调优: 剪枝复杂度
at = auto_tuner(
tuner = tnr("random_search"),
learner = glrn,
resampling = rsmp("cv", folds = 5),
measure = msr("classif.ce"),
search_space = ps(classif.rpart.cp = p_dbl(0, 0.1)),
term_evals = 10)
at$train(task, row_ids = split$train)
at$tuning_result
image## 最终模型在原始测试集上做预测
pred_test = at$predict(task, row_ids = split$test)
五、学机器学习需不需要先补充数学知识？
机器学习的确以数学为基础，但学习它的路径并非“先啃完高等数学、线性代数、概率论，再去写代码”。相反，最有效的策略是“边学边补、以用促学”——在建模实践中遇到数学概念时，再针对性地补充相关知识。这种方式不仅效率更高，还能让你保持学习的动力和热情。
那么，哪些数学知识对机器学习最关键？如何高效地掌握它们？
1. 核心数学领域
以下是机器学习中最重要的数学领域，助你有的放矢：
- 高等数学：导数、梯度、链式法则——帮助你理解优化过程（如梯度下降）以及损失函数的动态变化。
- 线性代数
：矩阵运算、向量空间、特征值与特征向量——这些概念帮助你理解数据表示、降维技术（如PCA）以及模型参数的结构。
- 概率与统计：条件概率、期望、方差、常见概率分布、假设检验——这些是理解模型输出、评估指标和泛化误差的基础。
- 优化理论基础：目标函数、正则化、局部最优——这些知识对超参数调优和模型复杂度控制至关重要。
2. 学习策略：按需补数学，而非系统学数学
错误路径：试图在开始建模前“系统学完”所有数学知识。这种方式不仅耗时漫长，还因数学的抽象性容易让人望而却步，甚至中途放弃。
正确路径：从实践出发，以问题驱动学习。例如，在使用mlr3实现Logistic回归时，理解“对数几率”的含义；在探索神经网络时，补习“复合函数求导”的原理。通过这种方式，数学不再是枯燥的理论，而是解决具体问题的工具，自然更容易内化。
本书在讲解每个算法时，都会以直观的语言剖析其数学直觉，让你在无需深陷复杂公式推导的情况下，快速抓住模型的核心逻辑。
3. 重要提醒：理解重于推导，直觉胜于证明
学习机器学习的数学，不需要你手推SVM的对偶问题，也无需死记硬背贝叶斯公式。你真正需要的是：
机器学习不是数学竞赛，而是工程实践。通过mlr3快速构建一个可运行的模型，远比推导上百个公式更能让你建立信心、积累能力。随着实践的深入，你的数学理解会像种子一样生根发芽，逐渐成长为系统化的知识体系。
