从优化实例存档中提取优化的超参数

Question

我基于以下示例构建了一个自动化机器学习系统：

https://mlr-org.com/gallery/2021-03-11-practical-tuning-series-build-an-automated-machine-learning-system/

我使用了学习器 xgboost 和 Random Forest 并使用了branching 。 xgboost 在训练阶段给了我最好的结果。 因此，我提取了优化的超参数并构建了最终的 xgboost model：

lrn = as_learner(graph)
lrn$param_set$values = instance$result_learner_param_vals

我也对性能最好的随机森林 model 的param_vals感兴趣。

我想，我可以获得超参数并像这样保存最好的随机森林 model：

Arch = as.data.table(instance$archive, exclude_columns = NULL) # so we keep the uhash
best_RF = Arch[branch.selection == "lrn_ranger"]
best_RF = best_RF[which.min(best_RF$regr.rmse), ] # to get the best RF model from the data table
instance$archive$learner_param_vals(uhash = best_RF$uhash)

lrn_2 = as_learner(graph)
lrn_2$param_set$values = instance$archive$learner_param_vals(uhash = best_RF$uhash)
#lrn_2$param_set$values = instance$archive$learner_param_vals(i = best_RF$batch_nr)

当我使用uhash或batch_nr ，我无法检索最佳随机森林 model 的超参数。 我总是收到存档中第一行的param_set ，而uhash和batch_nr是正确的：

$slct_1.selector
selector_name(c("T", "RH"))

$missind.which
[1] "missing_train"

$missind.type
[1] "factor"

$missind.affect_columns
selector_invert(selector_type(c("factor", "ordered", "character")))

$encode.method
[1] "treatment"

$encode.affect_columns
selector_type("factor")

$branch.selection
[1] "lrn_ranger"

$slct_2.selector
selector_name(c("T"))

$mutate.mutation
$mutate.mutation$Tra.Trafo
~(T^(2))/(2)


$mutate.delete_originals
[1] FALSE

$xgboost.nthread
[1] 1

$xgboost.verbose
[1] 0

$ranger.min.node.size
[1] 15

$ranger.mtry
[1] 1

$ranger.num.threads
[1] 1

$ranger.num.trees
[1] 26

$ranger.sample.fraction
[1] 0.8735846

当我不仅对instance$result_learner_param_vals result_learner_param_vals 的 output 感兴趣时，有人可以给我一个关于如何达到提取其他超参数的目标的提示吗？

编辑：

我想澄清一些事情，这也与分支有关。 在阅读@be_marc 的评论后，我不确定它是否打算像那样工作。 让我们使用我发布的画廊示例作为参考。 我想使用 GraphLearner object 比较不同调整分支的结果。 我已经创建了最终的 model，就像在画廊示例中一样，在我的例子中是 xgboost model。 我还想为其他分支创建最终模型以进行基准测试。 问题是，如果我不创建原始 graph_learner 的deep clone ，原始graph_learner会更改参数branch.selection的值。 为什么我不能只使用普通的克隆？ 为什么一定是深度克隆？ 它应该像那样工作吗？ 很可能我不确定克隆和深度克隆之间有什么区别。

# Reference for cloning https://mlr3.mlr-org.com/reference/Resampling.html
# equivalent to object called graph_learner in mlr3 gallery example 
graph_learner$param_set$values$branch.selection # original graph_learner object (reference MLR_gallery in first post)

# individually uncomment for different cases
# --------------------------------------------------------------------------------
#MLR_graph = graph # object graph_learner doesn't keeps its original state
#MLR_graph = graph$clone() # object graph_learner doesn't keeps its original state
MLR_graph = graph$clone(deep = TRUE) # object graph_learner keeps its original state
# --------------------------------------------------------------------------------
MLR_graph$param_set$values$branch.selection # value inherited from original graph
MLR_graph$param_set$values$branch.selection = "lrn_MLR" # change set value to other branch
MLR_graph$param_set$values$branch.selection # changed to branch "lrn_MLR"
MLR_lrn = as_learner(MLR_graph) # create a learner from graph with new set branch

# Here we can see the different behaviours based on if we don't clone, clone or deep clone
# at the end, the original graph_learner is supposed to keep it's original state
graph_learner$param_set$values$branch.selection
MLR_lrn$param_set$values$branch.selection

当我不使用深度克隆时，整体上最好的 model lrn （跳转到本文开头）也会受到影响。 就我而言，它是 xgboost。 lrn_MLR的参数branch.selection设置为lrn ：

print(lrn)

<GraphLearner:slct_1.copy.missind.imputer_num.encode.featureunion.branch.nop_1.nop_2.slct_2.nop_3.nop_4.mutate.xgboost.ranger.MLR.unbranch>
* Model: list
* Parameters: slct_1.selector=<Selector>, missind.which=missing_train, missind.type=factor,
  missind.affect_columns=<Selector>, encode.method=treatment, encode.affect_columns=<Selector>,
  branch.selection=lrn_MLR, slct_2.selector=<Selector>, mutate.mutation=<list>, mutate.delete_originals=FALSE,
  xgboost.alpha=1.891, xgboost.eta=0.06144, xgboost.lambda=0.01341, xgboost.max_depth=3, xgboost.nrounds=122,
  xgboost.nthread=1, xgboost.verbose=0, ranger.num.threads=1
* Packages: mlr3, mlr3pipelines, stats, mlr3learners, xgboost, ranger
* Predict Types:  [response], se, distr
* Feature Types: logical, integer, numeric, character, factor, ordered, POSIXct
* Properties: featureless, hotstart_backward, hotstart_forward, importance, loglik, missings, oob_error,
  selected_features, weights

编辑 2：好的，我刚刚发现，当我在实验中与不同的、不同的学习者一起工作时，我应该始终使用深度克隆： https://github.com/mlr-org/mlr3/issues/344

该行为是有意的。

Answer 1

我们修复了最新开发版本 (10.09.2022) 中的错误。 你可以安装它

remotes::install_github("mlr-org/mlr3")

学习者没有正确地重新组装。 这再次有效

library(mlr3pipelines)
library(mlr3tuning)

learner = po("subsample") %>>% lrn("classif.rpart", cp = to_tune(0.1, 1))

# hyperparameter tuning on the pima indians diabetes data set
instance = tune(
  method = "random_search",
  task = tsk("pima"),
  learner = learner,
  resampling = rsmp("cv", folds = 3),
  measure = msr("classif.ce"),
  term_evals = 10
)

instance$archive$learner_param_vals(i = 1)
instance$archive$learner_param_vals(i = 2)