從優化實例存檔中提取優化的超參數

Question

我基於以下示例構建了一個自動化機器學習系統：

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

我使用了學習器 xgboost 和 Random Forest 並使用了branching 。 xgboost 在訓練階段給了我最好的結果。 因此，我提取了優化的超參數並構建了最終的 xgboost model：

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

我也對性能最好的隨機森林 model 的param_vals感興趣。

我想，我可以獲得超參數並像這樣保存最好的隨機森林 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)

當我使用uhash或batch_nr ，我無法檢索最佳隨機森林 model 的超參數。 我總是收到存檔中第一行的param_set ，而uhash和batch_nr是正確的：

$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

當我不僅對instance$result_learner_param_vals result_learner_param_vals 的 output 感興趣時，有人可以給我一個關於如何達到提取其他超參數的目標的提示嗎？

編輯：

我想澄清一些事情，這也與分支有關。 在閱讀@be_marc 的評論后，我不確定它是否打算像那樣工作。 讓我們使用我發布的畫廊示例作為參考。 我想使用 GraphLearner object 比較不同調整分支的結果。 我已經創建了最終的 model，就像在畫廊示例中一樣，在我的例子中是 xgboost model。 我還想為其他分支創建最終模型以進行基准測試。 問題是，如果我不創建原始 graph_learner 的deep clone ，原始graph_learner會更改參數branch.selection的值。 為什么我不能只使用普通的克隆？ 為什么一定是深度克隆？ 它應該像那樣工作嗎？ 很可能我不確定克隆和深度克隆之間有什么區別。

# 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

當我不使用深度克隆時，整體上最好的 model lrn （跳轉到本文開頭）也會受到影響。 就我而言，它是 xgboost。 lrn_MLR的參數branch.selection設置為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

編輯 2：好的，我剛剛發現，當我在實驗中與不同的、不同的學習者一起工作時，我應該始終使用深度克隆： https://github.com/mlr-org/mlr3/issues/344

該行為是有意的。

Answer 1

我們修復了最新開發版本 (10.09.2022) 中的錯誤。 你可以安裝它

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

學習者沒有正確地重新組裝。 這再次有效

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)