如何在 mlr3proba 的嵌套交叉验证中转换“2 级 ParamUty”class？

Question

对于生存分析，我使用 mlr3proba R 包。
我的数据集包含 39 个特征（包括连续特征和因子，我将它们全部转换为整数和数字）和目标（时间和状态）。
我想调整超参数：num_nodes，在 Param_set 中。
这是一个 ParamUty class 参数，默认值是：32,32.
所以我决定对它进行运行变形。
我使用 'nested cross-validation'（有 10 个内部折叠和 3 个外部折叠）为 surv.deephit 学习者的超参数优化编写了如下代码。

#task definition
task.mlr <- TaskSurv$new(id = "id", backend = main.dataset, event = 'status', time = 'time')

#learner definition
dh.learner <- lrn('surv.deephit') 
   
#resampling method
resampling <- rsmp('cv', folds =10)
  
#tuner method
tuner <- tnr('random_search')

#measure method
measure <- msr('surv.harrellC')

#termination method
terminator <- trm('stagnation')

#search_space definition(for num_nodes)
search_space <- ps(num_nodes = p_fct(list(c(32,64,128,256)), trafo = function(x) c(sample(x,1), sample(x,1))))

#To check search_space
generate_design_random(search_space,10)$transpose()

当我运行最后几行代码用t运行spose时，它展示了一个num_nodes列表，每个列表包含一个成对的类别，如下：

[[1]]$num_nodes
[1] 64 128

[[2]]$num_nodes
[1] 32 256

...

然后我写了下面的代码：

#defining autotuner
at <- AutoTuner$new(dh.learner, resampling, measure, terminator, tuner, search_space)

#outer cross validation
resampling_outer <- rsmp('cv', folds = 3)

# nested resampling
nest_rsm <- resample(task.mlr, at, resampling_outer)

但在嵌套重采样的结果中，它显示 num_nodes 为 c(32,64,128,256) 而不是一对节点。像这样：

    num_nodes 
   c(32,64,128,256)
    num_nodes
   c(32,64,128,256)
   ...

我怎样才能运行sform 'Param_Uty' 有 2 个级别（例如 32,64）？
老实说，我对这个话题进行了大量的搜索，终究没有找到合适的答案，所以非常感谢您的帮助。

Answer 1

您好，感谢您使用 mlr3proba。实际上，我刚刚写完一个教程来准确回答这个问题！它涵盖了 mlr3proba 中神经网络的训练、调整和评估。对于您的具体问题，教程的相关部分是这样的：

library(paradox)
search_space = ps(
  nodes = p_int(lower = 1, upper = 32),
  k = p_int(lower = 1, upper = 4)
)

search_space$trafo = function(x, param_set) {
  x$num_nodes = rep(x$nodes, x$k)
  x$nodes = x$k = NULL
  return(x)
}

这里我调整了两个新的超参数，一个代表每层的节点数，一个代表层数，然后我创建一个转换，将它们组合成所需的超参数，num_nodes.

您应该能够将此应用于您的示例。

如何在 mlr3proba 的嵌套交叉验证中转换“2 级 ParamUty”class？

How to transform '2 levels ParamUty' class in nested cross-validation of mlr3proba?

r

machine-learning

mlr3