从mlr3拟合的regr.nnet对象提取权重及相关评估问题

1. 从benchmark对象便捷提取regr.rmse等评估指标 #

可以通过mlr3内置方法直接提取指定指标：

• 提取所有重采样的聚合指标（如RMSE）：

# 提取单个指标
rmse_agg <- benchmark$aggregate(msr("regr.rmse"))

# 同时提取多个指标（如RMSE、MAE）
multi_metrics <- benchmark$aggregate(c(msr("regr.rmse"), msr("regr.mae")))

• 查看每个重采样折叠的具体指标结果：

fold_scores <- benchmark$score()
# 筛选RMSE列
fold_rmse <- fold_scores[, .(iteration, regr.rmse)]

2. 优化预测结果提取代码 #

best$predictions()[[1]]返回的是PredictionRegr对象，自带$response属性，无需先转data.table：

# 直接提取单折叠的预测响应值
pr <- best$predictions()[[1]]$response

# 合并所有折叠的预测结果
pr_all <- unlist(lapply(best$predictions(), function(pred) pred$response))

若后续需要表格化处理，再转换为data.table即可，避免不必要的类型转换开销。

3. 提取nnet模型原始权重用于离线部署 #

mlr3训练后的学习器会将原始nnet模型存在$model字段中，直接访问即可提取权重：

# 获取训练好的原始nnet模型
trained_nnet <- best$model

# 提取权重向量
nnet_weights <- trained_nnet$wts

# （可选）拆分权重为输入层→隐藏层、隐藏层→输出层的结构
input_features_count <- length(trained_nnet$coefnames)
hidden_nodes_count <- trained_nnet$n

# 输入层到隐藏层的权重矩阵
input_hidden_weights <- matrix(
  nnet_weights[1:(input_features_count * hidden_nodes_count)],
  nrow = input_features_count,
  ncol = hidden_nodes_count
)

# 隐藏层到输出层的权重向量
hidden_output_weights <- nnet_weights[(input_features_count * hidden_nodes_count + 1):length(nnet_weights)]

提取后的权重可保存为CSV、JSON等格式，直接在R环境外的平台加载使用。

内容的提问来源于stack exchange，提问作者tpetzoldt