R 語言模組

發行項
05/06/2019

重要

Machine Learning 工作室 (傳統) 的支援將於 2024 年 8 月 31 日結束。建議您在該日期之前轉換成 Azure Machine Learning。

自 2021 年 12 月 1 日起，您將無法建立新的 Machine Learning 工作室 (傳統) 資源。在 2024 年 8 月 31 日之前，您可以繼續使用現有的 Machine Learning 工作室 (傳統) 資源。

請參閱將機器學習專案從 ML 工作室 (傳統) 移至 Azure Machine Learning 的相關資訊。
深入瞭解Azure Machine Learning。

ML 工作室 (傳統) 文件即將淘汰，未來將不再更新。

本文列出支援執行 R 程式碼的機器學習 Studio (傳統) 中的模組。這些模組可讓您更輕鬆地在生產環境中發行 R 模型，並使用 R 語言社區的體驗來解決真實世界的問題。

注意

適用于：僅限機器學習 Studio (傳統)

Azure Machine Learning 設計工具中提供類似的拖放模組。

本文也說明在 Machine Language Studio 中使用 R (傳統) 的一般需求，並列出已知的問題和秘訣。

模組清單

R 語言模組類別包含下列模組：

執行 r 腳本：從機器學習實驗執行 r 腳本。
建立 r 模型：使用自訂資源建立 r 模型。

使用 R 的需求

在機器學習 Studio 中使用 R 腳本 (傳統) 之前，請注意下列需求：

如果您匯入使用 CSV 或其他格式的資料，則無法從 R 程式碼直接以 CSV 格式讀取資料。相反地，在使用資料集做為 R 模組的輸入之前，請先使用 [ 轉換成資料集 ] 來準備資料。
當您附加任何機器學習資料集做為 R 模組的輸入時，資料集會自動載入至 r 工作區，作為具有變數名稱資料集的資料框架。

不過，您可以在 R 腳本中定義其他資料框架，或變更預設資料集變數的名稱。
R 模組會在私用工作區的受保護和隔離的環境中執行。在您的工作空間內，您可以建立資料框架和變數供多個模組使用。

不過，您無法從不同的工作區載入 R 資料框架，或讀取在不同工作區中建立的變數，即使該工作區已在 Azure 會話中開啟也是一樣。此外，您無法使用具有 JAVA 相依性的模組，或需要直接網路存取的模組。

R 評分工作的優化

機器學習 Studio (傳統) 和工作區環境中的 R 執行包含兩個主要元件。一個元件會協調腳本的執行，另一個則提供高速的資料存取和評分。評分元件經過優化，可提升擴充性和效能。

因此，機器學習 Studio 中的 R 工作區 (傳統) 也支援兩種評分工作，每個工作都針對不同需求進行優化。當您建立實驗時，您通常會使用每個檔案的評分。當您以 web 服務的一部分進行評分時，通常會使用要求回應服務 (RR) 進行非常快速的評分。

R 套件和版本支援

機器學習 Studio (傳統) 包含500以上最受歡迎的 R 套件。您可以選取的 R 套件取決於您為實驗選取的 R 版本：

CRAN R
Microsoft R Open (MRO 3.2.2 或 MRO 3.4.4)

每當您建立實驗時，您都必須針對實驗中的所有模組，選擇要在其上執行的單一 R 版本。

每個版本的套件清單

如需機器學習中目前支援的套件清單，請參閱機器學習支援的 R 套件。

您也可以將下列程式碼新增至實驗中的 [ 執行 R 腳本 ] 模組，然後執行它以取得包含套件名稱和版本的資料集。請務必在模組屬性中設定 R 版本，以針對您想要的環境產生正確的清單。

data.set <- data.frame(installed.packages())
maml.mapOutputPort("data.set")

重要

Machine Language Studio 中支援的套件 (傳統) 經常變更。如果您對 R 套件是否受支援有任何疑問，請使用提供的 R 程式碼範例來取得目前環境中的完整套件清單。

使用 R 語言擴充實驗

有許多方法，您可以使用自訂 R 指令碼，或藉由新增 R 封裝，來擴充您的經驗。以下是一些可協助您入門的概念：

使用 R 程式碼來執行自訂數學運算。例如，有可以解微分方程式、產生隨機數字或執行 Monte Carlo 模擬的 R 封裝。
對資料套用自訂轉換。例如，您可以使用 R 封裝在時間序列資料上執行插補，或執行語言分析。
使用不同的資料來源。 R 腳本模組支援一組額外的輸入，其中可包含壓縮格式的資料檔案。您可以使用壓縮的資料檔案，以及針對這類資料來源所設計的 R 套件，將階層式資料壓平合併成一般資料表格。您也可以使用這些從 Excel 和其他檔案格式讀取資料。
使用自訂計量進行評估。例如，您可以匯入 R 封裝，然後套用其計量，而不是使用評估中提供的函式。

下列範例示範如何在實驗中安裝新套件和使用自訂 R 程式碼的整體程式。

使用 R 分割資料行

有時候，資料需要大量的操作才能擷取特徵。假設您有一個文字檔，其中包含識別碼，後面接著 values 和 notes，全都以空格分隔。或者，假設您的文字檔包含電腦 Language Studio (傳統) 不支援的字元。

有數個 R 封裝可針對這類工作提供特殊函式。 Splitstackshape 程式庫封裝包含數個實用的函式來分割多個資料行，即使每個資料行都有不同的分隔符號也是如此。

下列範例說明如何安裝所需的封裝，以及分割資料行。您會將此程式碼加入至「 執行 R 腳本 」模組。

#install dependent packages  
install.packages("src/concat.split.multiple/data.table_1.9.2.zip", lib=".", repos = NULL, verbose = TRUE)  
(success.data.table <- library("data.table", lib.loc = ".", logical.return = TRUE, verbose = TRUE))  
  
install.packages("src/concat.split.multiple/plyr_1.8.1.zip", lib=".", repos = NULL, verbose = TRUE)  
(success.plyr <- library("plyr", lib.loc = ".", logical.return = TRUE, verbose = TRUE))  
  
install.packages("src/concat.split.multiple/Rcpp_0.11.2.zip", lib=".", repos = NULL, verbose = TRUE)  
(success.Rcpp <- library("Rcpp", lib.loc = ".", logical.return = TRUE, verbose = TRUE))  
  
install.packages("src/concat.split.multiple/reshape2_1.4.zip", lib=".", repos = NULL, verbose = TRUE)  
(success.reshape2 <- library("reshape2", lib.loc = ".", logical.return = TRUE, verbose = TRUE))  
  
#install actual packages  
install.packages("src/concat.split.multiple/splitstackshape_1.2.0.zip", lib=".", repos = NULL, verbose = TRUE)  
(success.splitstackshape <- library("splitstackshape", lib.loc = ".", logical.return = TRUE, verbose = TRUE))  
  
#Load installed library  
library(splitstackshape)  
  
#Use library method to split & concat  
data <- concat.split.multiple(maml.mapInputPort(1), c("TermsAcceptedUserClientIPAddress", "EmailAddress"), c(".", "@"))  
  
#Print column names to console  
colnames(data)  
  
#Redirect data to output port  
maml.mapOutputPort("data")