在“mlr3”包中，Task主要就是指学习任务，它可以直接从data.frame()，data.table()和Matrix()这三种数据对象中创建。这里，“mlr3”主要提供7种学习任务，包括：
（1）TaskClassif （针对分类数据的分类算法）；
（2）TaskRegr （针对定量数据的回归算法）；
（3）TaskSurv（包含有时间信息的生存分析算法，该方法在mlr3proba包中）；
（4）TaskDens（非监督学习算法，估计密度，由mlr3proba包提供）；
（5）TaskClust（非监督学习算法，由mlr3cluster包提供）；
（6）TaskRegrST（针对时空数据的回归算法，由mlr3spatiotempcv包提供）；
（7）TaskOrdinal（等级回归算法，由mlr3ordinal包提供，但是这个包目前正处于开发中，还无法使用）。
在这里我们主要关注TaskClassif，TaskRegr和TaskClust这三大类学习任务，考虑到生存分析在医学研究中的应用十分广泛，后续我也将简单介绍一下TaskSurv。
接下来进入R语言学习部分：
代码语言：javascript复制library(mlr3)
# 选取mtcars数据集的前3列作为练习数据
data = mtcars[, 1:3]接下来，我们使用TaskRegr$new()来创建新的回归任务，这里主要有三个参数id，backend和target：id用来设定这个学习任务的id，相当于“身份证”；backend是指用于创建学习任务的数据集，这里就是data这个数据；target是指回归分析的因变量，这里我们将mpg作为因变量，也称响应变量。
代码语言：javascript复制task_mtcars = TaskRegr$new(id ="cars", backend = data, target = "mpg")
print(task_mtcars) #查看任务信息
从上图中，我们不难看出新建的任务中目标变量是mpg，特征变量是cyl和disp（关于不同变量的信息请使用?mtcar查阅）
接下来，我们详细看一下这个task_mtcars任务的具体信息
代码语言：javascript复制task_mtcars$nrow # 获取任务数据集的行数
#[1] 32
task_mtcars$ncol # 获取任务数据集的列数
#[1] 32
task_mtcars$data() # 获取数据集的完整数据
head(task_mtcars$row_ids) #查看前六行的id
#[1] 1 2 3 4 5 6
task_mtcars$feature_names # 查看特征变量（可以认为是自变量）的变量名
#[1] "cyl" "disp"
task_mtcars$target_names # 查看目标变量（可以认为是因变量）的变量名
task_mtcars$data(rows = c(1, 5, 10), cols ="mpg") #提取第1，5和10行的mpg列数据# mpg#1: 21.0#2: 18.7#3: 19.2summary(as.data.table(task_mtcars)) ## 使用as.data.table()可以将mlr3的任务集转化为数据框
print(task_mtcars$col_roles) #获取列的角色信息
从图中我们不难看出，列的角色（roles）主要由7部分组成：$feature，$target， $name， $order， $stratum， $group和$weight，也就是说一个列可以有很多个角色，比如既作为feature，又作为weight（权重）使用。
关于如何使用mlr3包构建机器学习任务以及如何操作task对象的内容就先讲到这里，下期我还会带大家熟悉一下如何构建并操作task对象。敬请期待！
