Machine learning 比较Julia MLJ模型的结果

我想训练3个模型：ArdRegressionor，AdaBoostRegressor，BaggingRegressionor

目前，我一次培训一名学员，例如：

using Pkg; Pkg.activate("."); Pkg.instantiate();
using RDatasets, MLJ, Statistics, PrettyPrinting, GLM   
X, y =  @load_boston; train, test = 1:406, 407:506 

@load ARDRegressor
reg = ARDRegressor
m = machine(reg(), X, y);
fit!(m, rows=train);
ŷ = predict(m, rows=test)
os_ARDRegressor = rms(ŷ , y[test])

我想对他们进行循环训练，例如：

modlist = [ARDRegressor; AdaBoostRegressor; BaggingRegressor]  
score = []

for (i, mod) in enumerate(modlist)
@load mod;
reg = mod;
m = machine(reg(), X, y);
fit!(m, rows=train);
ŷ = predict(m, rows=test)
push!( score,  (i, mod, rms(ŷ , y[test]))  )
end

---

在运行上一个代码块时存在一些问题

• eachindex（Models）中jj的循环

  迭代
  Models
  数组的索引，因此
  jj
  取值1、2、3。而是直接在
  模型上循环
  

• @load-ARDRegressor

  是一个宏调用；这意味着

  @load jj

  将转换为

  @load（“jj”）

  ，因此不要像预期的变量那样使用

  jj

• os_jj

  的值将在循环的每次迭代中被覆盖。您更希望将分数保存在该索引处的数组中：

  os[jj]=…

• MLJ要求您在加载模型之前导入包含模型的包。提醒自己，使用ScikitLearn需要在当前环境中安装sklearn python包

考虑以下工作代码示例：

using MLJ, RDatasets
X, y =  @load_boston; train, test = 1:406, 407:506 
models = [@load ARDRegressor; @load AdaBoostRegressor; @load BaggingRegressor]
score = Array{Float64}(undef, 3)
for (i, model) in enumerate(models)
    m = machine(model, X, y)
    fit!(m, rows=train);
    ŷ = predict(m, rows=test)
    score[i] = rms(ŷ, y[test])
end
@show score

---

旁注：

使用Pkg；使用以下命令运行julia时，不需要Pkg.activate（“.”

：

julia--project

。但这取决于个人偏好

我正试图用自己的代码做类似的事情。当每台机器采用不同数量的参数时，应如何操作？例如，我有一个内核回归模型，该模型采用带有样本位置的采样掩码。这是我问的问题，如果有任何帮助，我将不胜感激