如何获得mlr3中的逻辑回归系数？

我刚刚开始使用mlr3，对语法仍然非常不熟悉，我有两个问题：

如何从mlr3中经过训练的逻辑回归中获取系数

我正在处理一个非常不平衡的数据集，98%对2%，在这个数据集中有超过200万行，我尝试使用SMOTE方法，但它非常慢，因为它可以很快在python中完成，所以我的代码中有错误吗？ 这是我的密码：

---

以下是我为你的问题收集的信息#1

创建一个大约有98%1和2%0的数据集

制定培训和测试任务

（1） 创造超平衡的采购订单

（2） 以这种方式创建学习者，原始代码中的方式将无法与po一起使用

在火车上训练学员

测试集上的测试

库（mlr3）
图书馆（dplyr）
库（MLR3管道）
种子（10）
pcs=数据帧（a=runif（1000），b=runif（1000））
pcs=pcs%>%
变异（c=2*a+3*b，d=ifelse（c>0.6,1,0），导航器=因子（d））%>%
选择（-c，-d）
task=TaskClassif$new（“pcs”，backend=pcs，target=“navigator”，positive=“1”）
序列集=样本（任务$nrow，0.8*任务$nrow）
测试集=设置差异（序列长度（任务$nrow），序列集）
任务列车%
po（“学习者”，lrn（“classif.rpart”），
预测（type=“prob”））
)
学员$train（任务训练）
pred=学习者$predict（任务测试）

输出：

learner$model
#' You can see the predicted probability by following the decision tree
#' e.g. say you have a data point a and b
#' first check that b>=.112 or b<.112 (nodes 2 and 3)
#' etc.
1) root 1085 304 1 (0.71981567 0.28018433)  
  2) b>=0.1122314 728  16 1 (0.97802198 0.02197802)  
    4) a>=0.007176245 709   0 1 (1.00000000 0.00000000) *
    5) a< 0.007176245 19   3 0 (0.15789474 0.84210526) *
  3) b< 0.1122314 357  69 0 (0.19327731 0.80672269)  
    6) a>=0.246552 65   0 1 (1.00000000 0.00000000) *
    7) a< 0.246552 292   4 0 (0.01369863 0.98630137) *

#Test predictions
pred$confusion
        truth
response   1   0
       1 195   1
       0   0   4

learner$model
#“你可以通过遵循决策树看到预测的概率
#例如，假设您有一个数据点a和b
#'首先检查b>=.112或bI我猜您没有提供a，但由于您没有包含任何
库调用，我不能确定。你想象过我们能够运行这个代码吗？您是否搜索了与“[r]系数mlr”的匹配项？如果你有一个更具理论性或战略性的建议，那么也许可以选择SE:：Data Science。这里我们都是关于编写硬示例的，我不是这方面的专家，但是“classif.rpart”是CART（带有一棵树的随机林），而不是logistic回归。如果要使用逻辑回归，请指定“classif.log_reg”。如果要进行逻辑回归，请使用
glm
，它将为您提供一个带有参数的模型。在这里，您可以在培训后通过执行
learner$model
查看模型。它将向您展示一系列决策。它是非参数的，没有公式/系数。@IRTFM感谢您的建议，我确实用这种方法搜索过，找到了
getLearnerModel（）
，但我不确定它是否可以在MLR3包中使用。很抱歉，我没有提供一个最简单的例子，因为SMOTE对于小数据集（例如10000*8）来说运行速度足够快，但是对于具有8个特性的一百万行来说，它运行得很慢。我使用
imblearn
包在python中尝试了相同的数据集，大约需要3秒钟。我只是想知道在r@Stacker中是否存在一些加速SMOTE方法的设置。谢谢您的帮助，我在那个地方犯了一个错误，但是学习者$model返回空值：（太棒了，谢谢你的帮助Stacker。但是我运行SMOTE方法已经超过30分钟了，它还没有完成，在Python上应该是非常快的，你知道为什么会发生这种情况吗？我可以为SMOTE设置什么使它更快吗？谢谢！我不知道，可能是因为你的数据集太大了吧？你可以尝试对你进行欠采样r少数类，因为200万中的2%仍然是40000行。请尝试安装包（“DMwR”）；PC=SMOTE（navigator~，data，perc.over=10，perc.under=100）；learner=mlr\u learner$get（“classif.rpart”）learner$predict\u type=“prob”；learner$train（task\u train）甚至perc.over=1仍然非常慢，但感谢您的帮助，谢谢！
gr_smote =
  po("colapply", id = "int_to_num",
    applicator = as.numeric, affect_columns = selector_type("integer")) %>>%
  po("smote", dup_size = 15) %>>%
  po("colapply", id = "num_to_int",
    applicator = function(x) as.integer(round(x, 0L)), affect_columns = selector_type("numeric"))

library(mlr3)
library(dplyr)
library(mlr3pipelines)
set.seed(10)

pcs=data.frame(a=runif(1000), b=runif(1000))
pcs = pcs %>%
  mutate(c=2*a+3*b, d=ifelse(c>.6, 1, 0), navigator=factor(d)) %>%
  select(-c, -d)

task = TaskClassif$new("pcs",backend =pcs,target = "navigator",positive = "1" )
train_set = sample(task$nrow, 0.8 * task$nrow)
test_set = setdiff(seq_len(task$nrow), train_set)

task_train <- task$clone()$filter(train_set)
task_test  <- task$clone()$filter(test_set)

po_over1= po("classbalancing")
po_over1$param_set$values=list(ratio=16, reference="minor", adjust="minor", shuffle=FALSE)

learner=GraphLearner$new(
  po_over1 %>>% 
    po("learner", lrn("classif.rpart", 
                      predict_type="prob"))
)

learner$train(task_train)

pred=learner$predict(task_test)

learner$model
#' You can see the predicted probability by following the decision tree
#' e.g. say you have a data point a and b
#' first check that b>=.112 or b<.112 (nodes 2 and 3)
#' etc.
1) root 1085 304 1 (0.71981567 0.28018433)  
  2) b>=0.1122314 728  16 1 (0.97802198 0.02197802)  
    4) a>=0.007176245 709   0 1 (1.00000000 0.00000000) *
    5) a< 0.007176245 19   3 0 (0.15789474 0.84210526) *
  3) b< 0.1122314 357  69 0 (0.19327731 0.80672269)  
    6) a>=0.246552 65   0 1 (1.00000000 0.00000000) *
    7) a< 0.246552 292   4 0 (0.01369863 0.98630137) *

#Test predictions
pred$confusion
        truth
response   1   0
       1 195   1
       0   0   4

gr_smote =
  po("colapply", id = "int_to_num",
     applicator = as.numeric, affect_columns = selector_type("integer")) %>>%
  po("smote", dup_size = 15) %>>%
  po("colapply", id = "num_to_int",
     applicator = function(x) as.integer(round(x, 0L)), affect_columns = selector_type("numeric"))

learner=GraphLearner$new(
  gr_smote %>>% po("learner", lrn("classif.rpart", predict_type="prob"))
)
learner$train(task_train)
learner$model
1) root 1085 304 1 (0.7198157 0.2801843)  
  2) b>=0.5 391   0 1 (1.0000000 0.0000000) *
  3) b< 0.5 694 304 1 (0.5619597 0.4380403)  
    6) a>=0.5 203   0 1 (1.0000000 0.0000000) *
    7) a< 0.5 491 187 0 (0.3808554 0.6191446) *

pred=learner$predict(task_test)
pred$confusion
        truth
response   1   0
       1 159   0
       0  36   5