如何在mlr3tuning嵌套重采样中实现无信息泄露的缺失值插补？

实现方案（符合mlr3原生流程，无信息泄露） #

mlr3的Pipeline系统天然支持在重采样过程中隔离训练集与测试集的插补逻辑，不需要手动拆分数据后分别插补。以下是具体实现步骤：

1. 构建插补+模型的Pipeline
   用mlr3pipelines的算子组合缺失值插补与模型训练，确保插补规则仅在训练阶段拟合，预测阶段直接复用训练阶段的统计量：

   library(mlr3)
   library(mlr3tuning)
   library(mlr3pipelines)
   
   # 加载带缺失值的示例任务
   task = tsk("pima")
   
   # 构建Pipeline：数值特征中位数插补 → 分类特征众数插补 → 决策树模型
   graph = po("imputemedian", affect_columns = selector_type("numeric")) %>>%
     po("imputemode", affect_columns = selector_type("factor")) %>>%
     po("learner", learner = lrn("classif.rpart"))
   
   # 转换为可用于重采样的Learner对象
   learner = GraphLearner$new(graph)
   

2. 配置嵌套重采样（含调优）
   如果需要超参数调优，设置内层调优逻辑和外层重采样策略：

   # 内层调优用的重采样策略
   inner_resampling = rsmp("holdout")
   # 定义调优空间（以决策树的cp参数为例）
   search_space = ps(cp = p_dbl(lower = 0.01, upper = 0.1))
   # 选择调优器
   tuner = tnr("grid_search", resolution = 10)
   
   # 构建带调优的Learner
   tuned_learner = TunedLearner$new(
     learner = learner,
     resampling = inner_resampling,
     measure = msr("classif.acc"),
     search_space = search_space,
     tuner = tuner
   )
   
   # 外层重采样策略（10折交叉验证）
   outer_resampling = rsmp("cv", folds = 10)
   

3. 运行嵌套重采样并评估结果

   # 执行嵌套重采样，保存模型以便后续检查
   rr = resample(task, tuned_learner, outer_resampling, store_models = TRUE)
   # 输出整体性能指标
   rr$aggregate()
   

你可能忽略的关键要点 #

• 手动拆分后单独插补测试集存在风险：你提到的“分别对训练集和测试集插补”如果是指用测试集自身的统计量插补，会引入信息泄露（测试集的统计属于模型不应接触的未来信息），导致性能估计偏乐观。mlr3的Pipeline默认用训练集的插补规则处理测试集，这才是正确的无泄露做法。
• mlr3重采样框架自动隔离数据：无论是外层还是内层重采样，每个fold的训练阶段与预测阶段完全隔离，插补算子只会在训练集上拟合统计量（如中位数、众数），预测时直接套用该规则处理测试集，天然避免信息泄露。
• 无需手动干预数据拆分：mlr3的resample()函数会自动处理外层循环的train/holdout拆分、插补、训练、预测全流程，不需要手动重复拆分逻辑。

内容的提问来源于stack exchange，提问作者googleplex101