Machine learning 如何使用hyperband tuning和mlr3的最佳配置预测新数据？

我正在使用

mlr3

系列软件包和方法来优化机器学习模型。一切进展顺利，但我无法预测如何使用hyperband和新数据预测最佳配置

是否可以直接使用存储在生成的

实例中的信息执行此操作？或者是否需要提取最佳配置（即
实例$result
），然后使用这些参数拟合新模型，然后使用这些参数进行预测

在下面的示例中（从mlr3书籍中借来），如何使用
实例中存储的信息来预测新数据

库（悖论）
库（MLR3调整）
#>加载所需包：mlr3
图书馆（MLR3和）
库（MLR3管道）
种子集（123）
#使用“子采样”作为预处理步骤扩展“classif.rpart”
ll=po（“子样本”）%>>%lrn（“classif.rpart”）
#使用子采样分数作为预算扩展“classif.rpart”的超参数
搜索空间=ps(
classif.rpart.cp=p_dbl（下=0.001，上=0.1），
classif.rpart.minsplit=p_int（下=1，上=10），
subsample.frac=p_dbl（下限=0.1，上限=1，标签=“预算”）
)
instance=TuningInstanceSingleCrit$new(
任务=tsk（“iris”），
学习者=ll，
重采样=rsmp（“保持”），
测量值=msr（“等级”），
terminator=trm（“无”），#并自行终止
搜索空间=搜索空间
)
调谐器=tnr（“hyperband”，eta=3）
调谐器$optimize（实例）
#>信息[11:33:32.366][bbotk]开始使用“”和“[list（）]”优化3个参数
#>信息[11:33:32.407][bbotk]待评估方括号的数量=3，
#>信息[11:33:32.413][bbotk]开始对括号1进行评估
#>信息[11:33:32.417][bbotk]Training 9配置为每项0.111111的预算
#>信息[11:33:32.418][bbotk]评估9种配置
#>信息[11:33:32.561][mlr3]通过9次重采样迭代运行基准测试
#>信息[11:33:32.635][mlr3]将学习者的子样本.classif.rpart应用于任务“iris”（iter 1/1）
#>信息[11:33:32.700][mlr3]将学习者的子样本.classif.rpart应用于任务“iris”（iter 1/1）
###为清晰起见，删除了输出###
#>信息[11:33:34.564][bbotk]在22次评估后完成优化
#>信息[11:33:34.565][bbotk]结果：
#>信息[11:33:34.566][bbotk]classif.rpart.cp classif.rpart.minsplit subsample.frac learner\u param\u vals
#>信息[11:33:34.566][bbotk]0.07348139 5 0.1111111
#>信息[11:33:34.566][bbotk]x_域分类
#>信息[11:33:34.566][bbotk]0.02
#>classif.rpart.cp classif.rpart.minsplit子样本.frac学习者参数
#> 1:       0.07348139                      5      0.1111111          
#>x_域分类
#> 1:        0.02
实例$result
#>classif.rpart.cp classif.rpart.minsplit子样本.frac学习者参数
#> 1:       0.07348139                      5      0.1111111          
#>x_域分类
#> 1:        0.02

由（v1.0.0）于2021-04-07创建。
您可以选择自动调谐路线：。由于您将图形作为学习者使用，您需要制作一个图形学习者-
ll，或者您可以设置最佳超参数并训练学习者
ll$param\u set$值