专注R语言在临床医学中的使用，R语言数据分析和可视化。主要分享R语言做医学统计学、meta分析、网络药理学、临床预测模型、机器学习、生物信息学等。

目录二分类变量和ROC曲线重抽样benchmark前面一篇介绍了如何使用mlr3创建任务和学习器、拟合模型、预测和简单的评价，本篇将模型评价的一些细节问题，展示mlr3如何使得这些步骤变得更加简单！二分类变量和ROC曲线对于二分类变量，结果有阴性和阳性两种，而且判定阴性和阳性的阈值是可以认为设定的。ROC曲线可以很好的帮助我们确定最佳的分割点。首先看一下如何获取一个分类变量的混淆矩阵：librar

获取更多R语言和生信知识，请欢迎关注公众号：医学和生信笔记医学和生信笔记 公众号主要分享：1.医学小知识、肛肠科小知识；2.R语言和Python相关的数据分析、可视化、机器学习等；3.生物信息学学习资料和自己的学习笔记！

目录Hyperband调参特征选择filters计算分数计算变量重要性组合方法（wrapper methods）自动选择Hyperband调参Hyperband调参可看做是一种特殊的随机搜索方式，俗话说：“鱼与熊掌不可兼得”，Hyperband就是取其一种，感兴趣的小伙伴可以自己学习一下。在这里举一个简单的小例子说明：假如你有8匹马，每匹马需要4个单位的食物才能发挥最好，但是你现在只有32个单位的

目录模型调优调整超参数方法一：通过`tuninginstancesinglecrite`和`tuner`训练模型方法二：通过`autotuner`训练模型超参数设定的方法参数依赖模型调优当你对你的模型表现不满意时，你可能希望调高你的模型表现，可通过超参数调整或者尝试一个更加适合你的模型，本篇将介绍这些操作。本章主要包括3个部分的内容：超参数调整机器学习模型都有默认的超参数，但是这些超参数不能根据数

目录创建任务创建learner训练、预测和性能评价本篇主要介绍mlr3包的基本使用。一个简单的机器学习流程在mlr3中可被分解为以下几个部分：创建任务比如回归、分裂、生存分析、降维、密度任务等等挑选学习器（算法/模型）比如随机森林、决策树、SVM、KNN等等训练和预测创建任务本次示例将使用mtcars数据集创建一个回归任务，结果变量（或者叫因变量等等）是mpg。# 首先加载数据data("mtca

获取更多R语言和生信知识，请欢迎关注公众号：医学和生信笔记医学和生信笔记 公众号主要分享：1.医学小知识、肛肠科小知识；2.R语言和Python相关的数据分析、可视化、机器学习等；3.生物信息学学习资料和自己的学习笔记！

获取更多R语言和生信知识，请欢迎关注公众号：医学和生信笔记医学和生信笔记 公众号主要分享：1.医学小知识、肛肠科小知识；2.R语言和Python相关的数据分析、可视化、机器学习等；3.生物信息学学习资料和自己的学习笔记！

目录`mlr3`简介目标群体为什么重写？设计理念`mlr3`生态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

R语言做机器学习的当红辣子鸡R包：mlr3和tidymodels，之前用十几篇推文详细介绍过mlr3：今天学习下tidymodels的使用，其实之前在介绍临床预测模型时已经用过这个包了：但是对于很多没接触过这个包的朋友来说有些地方还是不好理解，所以今天专门写一篇推文介绍下tidymodels的一些使用细节，帮助大家更上一层楼。不得不说，比mlr3简单多了！设计理念安装基本使用探索数据模型选择数据划