1 R语言人工智能时代使用指南
1.1 引言
在2025年的人工智能时代，R语言生态发生了巨大变化。新一代机器学习框架如mlr3、tidymodels已取代传统工具，深度学习框架torch为R提供了强大的神经网络能力，自动机器学习平台h2o让模型训练更加高效。本文档介绍R语言在AI领域的最新工具和实践方法。
1.2 R在AI领域的最新定位
R语言在2025年AI领域展现出新的活力：现代机器学习框架成熟、深度学习支持完善、自动机器学习普及、大语言模型集成。R不再是”统计专用语言”，而是与Python并驾齐驱的AI开发工具，特别在可解释性AI、统计学习、数据探索方面具有独特优势。
1.3 2025年核心AI包介绍
1.3.1 1. mlr3 - 现代机器学习框架
mlr3是R中最先进的机器学习框架，采用面向对象设计，支持并行计算和超参数调优，完全替代了传统的caret包。

安装

install.packages(“mlr3”)
install.packages(“mlr3learners”)
library(mlr3)
library(mlr3learners)

创建任务

task <- TaskClassif$new(“iris”, backend = iris, target = “Species”)

选择学习器（支持200+种算法）

learner <- lrn(“classif.ranger”, num.trees = 100)

训练模型

learner$train(task)

预测

predictions <- learner$predic{t}_{n}ewdata(iris[1:10,])predictions$score(msr(“classif.acc”))

超参数调优

search_space <- ps(
num.trees = p_int(lower = 50, upper = 500),
mtry = p_int(lower = 1, upper = 4)
)
tuner <- tnr(“random_search”)
at <- AutoTuner$new(learner,resampling=rsmp("cv",folds=5),measure=msr("classif.acc"),tuner=tuner,searc{h}_{s}pace=searc{h}_{s}pace)at$train(task)
1.3.2 2. torch - R原生深度学习框架
torch是R的深度学习框架，提供与PyTorch类似的API，支持GPU加速，是R中深度学习的首选工具。

安装

install.packages(“torch”)
library(torch)

定义神经网络

net <- nn_module(
“iris_net”,
initialize = function() {
self$fc1<-n{n}_{l}inear(4,64)self$fc2 <- nn_linear(64, 32)
self$fc3<-n{n}_{l}inear(32,3)self$dropout <- nn_dropout(0.5)
},
forward = function(x) {
x %>%
self$fc1()nn{f}_{r}elu()self$dropout() %>%
self$fc2()nn{f}_{r}elu()self$fc3()
}
)

准备数据

x_train <- torch_tensor(as.matrix(iris[1:120, 1:4]), dtype = torch_float32())
y_train <- torch_tensor(as.numeric(iris$Species[1:120]) - 1, dtype = torch_long())

训练模型

model <- net()
optimizer <- optim_adam(model$parameters, lr = 0.01)
criterion <- nn_cross_entropy_loss()

for (epoch in 1:100) {
optimizer$zer{o}_{g}rad()output<-model(x_{t}rain)loss<-criterion(output,y_{t}rain)loss$backward()
optimizer$step()
}
1.3.3 3. tidymodels - Tidyverse机器学习生态
tidymodels是tidyverse的机器学习扩展，提供现代化的数据科学工作流，语法优雅，易于理解。

安装

install.packages(“tidymodels”)
library(tidymodels)

数据分割

set.seed(42)
data_split <- initial_split(iris, prop = 0.8, strata = Species)
train_data <- training(data_split)
test_data <- testing(data_split)

创建预处理配方

recipe <- recipe(Species ~ ., data = train_data) %>%
step_normalize(all_numeric_predictors()) %>%
step_pca(all_numeric_predictors(), threshold = 0.95)

定义模型

model <- rand_forest(trees = 200, min_n = 5) %>%
set_engine(“ranger”) %>%
set_mode(“classification”)

创建工作流

workflow <- workflow() %>%
add_recipe(recipe) %>%
add_model(model)

训练和评估

fitted_model <- workflow %>% fit(data = train_data)
predictions <- fitted_model %>% predict(new_data = test_data)
metrics <- metric_set(accuracy, sensitivity, specificity)
metrics(test_data, truth = Species, estimate = .pred_class)
1.3.4 4. h2o - 自动机器学习平台
h2o提供自动机器学习功能，自动进行特征工程、模型选择和超参数调优，适合快速原型开发。

安装

install.packages(“h2o”)
library(h2o)
h2o.init()

加载数据到H2O

iris_h2o <- as.h2o(iris)

自动机器学习

aml <- h2o.automl(
x = 1:4,
y = 5,
training_frame = iris_h2o,
max_models = 20,
seed = 42
)

查看最佳模型

best_model <- aml@leader
print(best_model)

预测

predictions <- h2o.predict(best_model, iris_h2o)
head(predictions)
1.3.5 5. text - 大语言模型和NLP
text包集成了Transformer模型，支持BERT、GPT等预训练模型，可以进行文本分类、情感分析、文本嵌入等任务。

安装

install.packages(“text”)
library(text)

文本嵌入（使用预训练模型）

texts <- c(“R语言在AI领域很有用”, “机器学习很有趣”, “深度学习很强大”)
embeddings <- textEmbed(texts, model = “bert-base-uncased”)

文本分类

classifications <- textClassify(
texts,
model = “distilbert-base-uncased-finetuned-sst-2-english”
)

情感分析

sentiment <- textSentiment(texts)

文本相似度

similarity <- textSimilarityMatrix(texts)
1.3.6 6. lightgbm - 高性能梯度提升
lightgbm是微软开发的高性能梯度提升框架，速度比xgboost更快，内存占用更小。

安装

install.packages(“lightgbm”)
library(lightgbm)

准备数据

train_data <- as.matrix(iris[1:120, 1:4])
train_label <- as.numeric(iris$Species[1:120])-1tes{t}_{d}ata<-as.matrix(iris[121:150,1:4])tes{t}_{l}abel<-as.numeric(iris$Species[121:150]) - 1

创建数据集

dtrain <- lgb.Dataset(train_data, label = train_label)

训练模型

params <- list(
objective = “multiclass”,
num_class = 3,
metric = “multi_logloss”,
boosting = “gbdt”,
num_leaves = 31,
learning_rate = 0.05
)

model <- lgb.train(
params = params,
data = dtrain,
nrounds = 100,
verbose = 0
)

预测

predictions <- predict(model, test_data)
predicted_class <- max.col(matrix(predictions, nrow = 30, byrow = TRUE)) - 1
accuracy <- mean(predicted_class == test_label)
print(paste(“Accuracy:”, accuracy))
1.4 AI工作流最佳实践
1.4.1 完整的现代机器学习流程
library(mlr3)
library(mlr3pipelines)
library(mlr3tuning)
library(mlr3viz)

1. 数据加载和任务创建

data <- read.csv(“your_data.csv”)
task <- TaskClassif$new(“classification”, backend = data, target = “target”)

2. 创建预处理管道

preproc <- po(“scale”) %>>% po(“pca”, rank. = 0.95)

3. 选择学习器

learner <- lrn(“classif.xgboost”)

4. 创建完整管道

graph <- preproc %>>% learner
graph_learner <- as_learner(graph)

5. 交叉验证

resampling <- rsmp(“cv”, folds = 10)
rr <- resample(task, graph_learner, resampling)

6. 性能评估

rr$aggregate(msr(“classif.acc”))

7. 可视化

autoplot(rr, type = “prediction”)
1.4.2 深度学习工作流
library(torch)
library(luz)

使用luz简化torch训练

net <- nn_module(
initialize = function(input_size, hidden_size, output_size) {
self$fc1<-n{n}_{l}inear(inpu{t}_{s}ize,hidde{n}_{s}ize)self$fc2 <- nn_linear(hidden_size, hidden_size)
selfKaTeX parse error: Expected 'EOF', got '}' at position 46: …output_size) }̲, forward = f…fc1() %>%
nnf_relu() %>%
self$fc2()nn{f}_{r}elu()self$fc3()
}
)

使用luz训练

fitted <- net %>%
setup(loss = nn_cross_entropy_loss(), optimizer = optim_adam) %>%
set_hparams(input_size = 4, hidden_size = 64, output_size = 3) %>%
fit(list(x_train, y_train), epochs = 50)
专业R语言辅导 | Python编程 | 数据分析 Data analysis | 统计分析 Statistics | 数据挖掘 Data mining | 机器学习 Machine learning | ｜统计分析 Statistics｜STATS 202｜STATS 203｜STAT 110｜STAT 104｜STAT 705｜STAT 707｜STAT4203｜STAT4204｜STAT4205｜STAT4206｜STAT 133｜STAT 134｜STAT 101A｜STAT 100A｜STAT 581｜STAT 520｜STAT 521｜STAT 4500｜STAT 5805｜STAT 5806｜STAT 4600｜STAT30001｜STAT3001｜STAT3002｜STAT3003｜STAT3004｜STAT3005｜STAT3006｜STAT5001｜STAT5002｜STAT5003｜STAT5004｜
http://www.rdaizuo.com
http://www.daixie.it.com
http://www.rcodedaixie.com
http://www.rdaima.com
1.5 AI趋势和R的应对
1.5.1 1. 可解释性AI
R在可解释性AI方面具有天然优势，DALEX、iml等包提供了强大的模型解释工具。
library(DALEX)
library(randomForest)

model <- randomForest(Species ~ ., data = iris)
explainer <- explain(model, data = iris[, -5], y = iris$Species)plot(mode{l}_{p}arts(explainer))\mathrm{1.5.22.}自动机器学习h2o和mlr3automl让R用户也能享受AutoML的便利，自动完成特征工程和模型选择。\mathrm{1.5.33.}大语言模型集成通过reticulate包，R可以调用Python的transformers库，使用GPT、BERT等大模型。library(reticulate)transformers<-import("transformers")tokenizer<-transformers$AutoTokenizer$fro{m}_{p}retrained("bert-base-uncased")model<-transformers$AutoModel$from_pretrained(“bert-base-uncased”)
1.6 学习资源和社区
官方文档：mlr3.mlr-org.com、torch.mlverse.org
最新教程：RStudio AI Blog、R-bloggers
在线课程：DataCamp的”Machine Learning with R”（2025版）
GitHub：mlr-org、mlverse组织的最新项目
1.7 总结
R语言AI生态已经成熟，mlr3、torch、tidymodels等现代框架让R在机器学习领域保持竞争力。R不再是”过时”的工具，而是AI开发的重要选择，特别适合需要统计严谨性和可解释性的项目。掌握这些新工具，R用户可以高效地进行现代AI模型开发。