R mlr-从训练数据子集和整个测试数据（不是整个训练数据）创建学习曲线？

假设我正在创建这样的学习曲线（代码中可能有一些小错误，这只是一个示例）。我想要的是一个经典的学习曲线，在这里你可以放大训练集，保持验证/测试集的大小不变

learningCurve <- generateLearningCurveData("regr.glmnet",
                                           bh.task,
                                           makeResampleDesc(method = "cv", iters = 5, predict = "both"),
                                           seq(0.1, 1, by = 0.1),
                                           list(setAggregation(auc, train.mean), setAggregation(auc, test.mean))
)

---

learningCurve作为未来读者的参考，这将是固定的，下面是github的问题

此问题的修复程序已存在，应尽快合并

修复到位后，我在评论中获得了完整示例的以下学习曲线：

train.mean
应该为您提供所需培训数据的性能，请参阅。你得到的是没有意义的数字吗？是的，我看过那个页面，我正在广泛使用它。我不是说结果没有意义——它们确实有意义，但它们不是我想要的。问题是，当你在10%的训练数据上训练数据时，
train.mean
仍然在100%的训练数据上测量性能（我检查过）。结果是，“训练误差”曲线和“测试误差”曲线都会随着样本的增加而下降，在经典的“学习曲线”中，训练误差通常会增加，就像我提供的scikit中的链接一样。不确定这是否清楚。我对代码的理解是，它按照您描述的方式发生。你对mlr和scikit learn进行了直接比较，结果表明情况并非如此吗？评论太长了。如果可以，请检查这两个代码。结果可以说是相似的，但我相信这一点是显而易见的。Mlr对整个训练数据进行训练，而scikit对训练数据子集进行训练（这正是我试图实现的）。谢谢，那很有帮助。我现在没有时间研究这个问题，但我已经提出了一个问题：