Julia 的机器学习工具箱

MLJ（Julia 中的机器学习）是一个用 Julia 编写的工具箱，它为选择、调参、评估、组合和比较超过 200 种机器学习模型 提供了一个通用接口和元算法，这些模型既可以用 Julia 编写，也可以用其他语言编写。

MLJ.jl 包是一个总括性包，包含了分布在多个 其他包 中的组件。

刚接触 MLJ？ 请从 这里 开始。

文档 请见 这里。

想将现有的机器学习模型集成到 MLJ 框架中吗？ 请从 这里 开始。

MLJ.jl 快速上手指南

MLJ (Machine Learning in Julia) 是一个用 Julia 编写的机器学习工具箱，提供统一的接口和元算法，用于选择、调优、评估、组合和比较超过 200 种机器学习模型。

环境准备

• 操作系统: Windows, macOS 或 Linux
• 前置依赖: 已安装 Julia (推荐版本 1.6 或更高)
  • 下载地址：https://julialang.org/downloads/
  • 国内加速: 如遇下载缓慢，可尝试清华源镜像：https://mirrors.tuna.tsinghua.edu.cn/julia-releases/

安装步骤

启动 Julia REPL（交互式命令行），进入包管理模式并安装 MLJ：

julia> ]
pkg> add MLJ

安装完成后，退出包管理模式（按 Backspace 键）并在代码中加载库：

julia> using MLJ

提示：首次加载时，Julia 会自动预编译相关依赖，可能需要几分钟时间。

基本使用

以下示例演示如何加载内置数据集、选择模型、构建机器（Machine）、训练模型并进行预测。

1. 加载数据与模型

我们使用内置的波士顿房价数据集（回归任务）和一个决策树模型。

using MLJ, PrettyPrinting

# 加载内置数据集
X, y = @load_boston;

# 选择模型 (决策树回归器)
@load DecisionTreeRegressor pkg=DecisionTree
model = DecisionTreeRegressor()

2. 构建机器并训练

在 MLJ 中，需要将模型与数据绑定为“机器”（Machine），然后进行拟合。

# 将模型与数据绑定
mach = machine(model, X, y)

# 划分训练集和测试集 (70% 训练，30% 测试)
train, test = partition(eachindex(y), 0.7, shuffle=true, rng=123)

# 训练模型
fit!(mach, rows=train)

3. 预测与评估

使用训练好的模型对测试集进行预测，并计算均方根误差 (RMSE)。

# 进行预测
y_hat = predict(mach, rows=test)

# 评估性能
rms(y[test], y_hat) |> round(digits=2)

输出结果即为模型的 RMSE 值。你可以轻松替换 model 变量为其他任何兼容 MLJ 的模型（如线性回归、神经网络等），而无需更改后续代码逻辑。