0

我们如何修复 a PipeOp，$state使其参数或配置从一开始就固定，并在训练和预测中保持不变。

task = tsk("iris")
pos1 = po("scale", param_vals =list(
    center = T,
    scale = T,
    affect_columns = selector_name("Sepal.Width")))

pos1$state
pos1$state$center <- c(Sepal.Width = 0) 
pos1$state$scale <- c(Sepal.Width = 2) 
 
graph <- pos1 %>>% lrn("classif.xgboost", eval_metric = "mlogloss")
gl <- GraphLearner$new(graph)
gl$train(task)
gl$state

在上面的代码中，即使我尝试将它们分别固定为零和二（不确定我是否正确地这样做），参数center和scalefrom也会根据数据重新计算。po("scale")

4

1 回答 1

2

PipeOp永远不$state应该手动更改A 。即，它更像是一个日志槽，供您检查，并在其中PipeOp找到在训练后执行其预测步骤所需的所有信息。

PipeOpScale将始终将训练数据缩放为均值 0，并通过它们的均方根（参见 参考资料?scale）对其进行缩放，并存储“学习”参数（即，训练数据的均值和均方根，例如，返回的属性scale函数）作为$state. 在预测期间，数据将进行类似的转换，从而产生可能不同的均值和均方根。

假设您想在训练和预测期间缩放为"Sepal.Width"均值 0 和均方根 2 （如您上面的代码所建议的那样；但这可能是一个坏主意），您可以使用：PipeOpColApply

f = function(x) {
  scale(x)[, 1] * 2 + 0
}

task = tsk("iris")
pos = po("colapply", applicator = f, affect_columns = selector_name("Sepal.Width"))

train_out = pos$train(list(task))[[1]]$data(cols = task$feature_names)
round(colMeans(train_out), 2)
round(apply(train_out, MARGIN = 2, FUN = sd), 2)

pos$state
于 2020-10-30T16:31:39.120 回答