※ 引述《clansoda (小笨)》之铭言：
: [关键字]:mlr、machine learning
: [出处]:https://mlr-org.github.io/mlr-tutorial/release/html/
: [重点摘要]:e1071、randomForest、caret这些知名的package来回调用
: 重要的machine learning function吗? 相信一定会有觉得很烦，每个
: function怎么要求的都不同，有的input要matrix有的要全都是数字，都
: 没有一个整合的平台可以使用吗? 我这不就来了吗。
: mlr package是一个整合R上泛用常见的machine learning package的平台
: 可以让你在一行之内的改变就可以access to大部分的机器学习算法
: [分享内容]:
: ## 首先你要先告诉mlr你现在的training data是谁，还有你想predict的
: ## column name，这篇文章我会以iris来作范例，假如是regression用regr代替
: ## classification则用classif，在iris是classification所以是classif
: tsk <- makeClassifTask(data = iris , target = "Species")
: ## 这边有一个argument叫ID，再后来是有其他用途的，但这边我不设的话
: ## 他默认就是你的dataframe的名称，Species是我们要预测的colname
: ## 接着我们可以开始训练我们要的model了
: mod <- train("classif.randomForest",task = iris)
: ## 这边是最简易的做法，使用train function给予他你learner的名称与
: ## 上面我们赋予的task就能开始训练，mlr接受直接使用""包含你的learning
: ## method，像是最简单的线性回归就叫做regr.lm，但是这种写法你是使用
: ## default的参数，你才可以这样做，若是你想要改变参数的话
: lrn <- makelearner(...)
: ## makelearner function后面还有许多参数可以调整，可以自行参酌manual
: ## 最后到了predict的阶段
: output <- predict(mod,newdata = iris)
: final <- output$data
: ## 这样就可以得到最后的训练结果了，在makelearner那部分可以修改predict type
: ## 将他设成prob就能得到机率结果囉，这边是最最简单的使用方法，基本上machine
: ## learning里面不论是feature selection、missing value imputation、还有
: ## parameter tuning等等等功能全部都包含在这一个package里面，希望能帮助到
: ## 想要使用R作为机器学习平台的使用者。需要更详细的tutorial请参照来源，
: ## 写的跟rstudio里面的文章一样的仔细，一步一步带你做。
我用install_github("mlr-org/mlr")去下载
出现以下error
Downloading GitHub repo [email protected]/*