如何从mlr3的BenchmarkResult中提取特征选择后的模型结果？

1. 前提确认 #

你运行benchmark()时已经设置了store_models = TRUE，这是能提取到模型的必要条件，你的代码已经满足该要求。

2. 提取经特征选择的学习器选中的特征 #

首先调用$score()获得包含所有训练fold信息的结果表，之后筛选出AutoFSelector对应的条目，再从模型中提取最优特征子集：

# 获得全量评分表
score_tb = bmr_Wra$score()
# 筛选出特征选择包装器(AutoFSelector)对应的行，可根据自己设置的学习器id调整匹配条件
fs_learner_row = score_tb[learner_id == "classif.ranger.fselector"]
# 提取训练好的AutoFSelector模型
trained_at = fs_learner_row$learner[[1]]
# 提取特征选择后得到的最优特征子集
selected_features = trained_at$archive$best()$features
print(selected_features)

3. 提取变量重要性 #

你可以从最终训练的基学习器（也就是你用的ranger模型）中提取变量重要性，操作如下：

# 提取AutoFSelector在最优特征上最终训练完成的ranger模型
final_ranger = trained_at$learner
# 提取变量重要性
var_imp = final_ranger$importance()
print(var_imp)

4. 提取未做特征选择的普通ranger模型的对应信息 #

如果需要对比基准模型的结果，同样可以从score表中筛选对应条目提取：

# 筛选普通ranger学习器的行
base_learner_row = score_tb[learner_id == "classif.ranger"]
# 提取训练好的普通ranger模型
trained_base_ranger = base_learner_row$learner[[1]]
# 提取其变量重要性
base_var_imp = trained_base_ranger$importance()

补充说明 #

如果你的benchmark设置了多折交叉验证，那么每一个fold都会对应一个训练好的AutoFSelector实例，你可以批量遍历score_tb中所有对应行，分别提取每个fold的最优特征和变量重要性后汇总结果；如果需要提取特征选择过程中的所有搜索记录，可以访问trained_at$archive$data获得全部特征子集的评估结果。

内容的提问来源于stack exchange，提问作者LengJH