mlr3spatiotempcv：面向 R 语言的时空重采样方法
机器学习
2022-11-03 v2 机器学习
统计方法学
摘要
空间与时空机器学习模型需要合适的框架来进行模型评估、模型选择与超参数调优，以避免误差估计偏差与过拟合。本文综述了空间与时空交叉验证的研究现状，并介绍了 R 语言包 mlr3spatiotempcv 作为机器学习框架 mlr3 的扩展包。目前存在多种实现不同时空划分策略的 R 包：blockCV、CAST、skmeans 与 sperrorest。mlr3spatiotempcv 的目标是将 R 中可用的时空重采样方法汇集起来，并通过简单统一的接口提供给用户。这通过将本包直接集成到 mlr3 机器学习框架中得以实现，该框架已支持随机划分等通用非时空重采样方法。其优势之一是在一个总体机器学习工具包中使用一致的命名规范，而非各包各异的语法，从而使用户更容易从多种时空重采样方法中作出选择。本包避免给出实践中应使用何种方法的建议，因为该决策取决于所面临的预测任务、数据内的自相关以及被研究采样设计或地理对象的空间结构。
引用
@article{arxiv.2110.12674,
title = {mlr3spatiotempcv: Spatiotemporal resampling methods for machine learning in R},
author = {Patrick Schratz and Marc Becker and Michel Lang and Alexander Brenning},
journal= {arXiv preprint arXiv:2110.12674},
year = {2022}
}
备注
35 pages, 15 Figures, 1 Table