mlr3使用randomForest做回归计算特征重要性调用importance()及设置参数报错

• 报错来源于mlr3learners包对原生randomForest包封装的回归学习器的内置特征重要性计算方法：方法内部会读取训练时存储的超参数importance的值，作为分支判断的输入。当前报错说明存储的参数值不是预期的长度为1的字符串，而是长度大于1的向量，导致switch函数无法正常执行。出现参数长度异常的常见原因是当初配置超参数时，误将importance参数传入了多值向量，没有取单值。
• 调试时观察到imp对象已包含全量特征重要性数据，说明模型训练流程、重要性计算环节都没有出现数据丢失，故障仅出现在方法内部的参数读取判断环节。

修正训练阶段的超参数传参逻辑 #

你之前直接在调用importance()方法时传入importance = "mse"是无效操作：mlr3封装的该学习器的importance()方法没有开放这个入参，importance是训练阶段必须配置的学习器超参数，不属于方法调用的可传参项，因此才会触发“unused argument”的报错。
正确的配置方式是在初始化学习器时就传入单值的importance参数，示例代码：

library(mlr3learners)
# 初始化回归随机森林学习器，训练阶段就指定单值的importance参数
rf_lrn = lrn("regr.randomforest", importance = "mse")
# 后续正常执行训练流程即可
rf_lrn$train(task)

针对已完成训练的存量模型的快速修复 #

如果不想重新执行全量训练流程，可以直接手动修正学习器内部存储的异常参数，绕过报错：

• 定位学习器对象内部封装的原生随机森林模型实体，也就是rf_lrn$model
• 手动将模型实体下的importance字段赋值为长度1的目标字符串，例如rf_lrn$model$importance <- "mse"
• 修正后直接调用rf_lrn$importance()即可正常输出结果，毕竟重要性的原始计算结果已经完整存在，仅需要修正参数读取环节的异常即可。

注意区分mlr3生态下两个不同实现的随机森林学习器的参数逻辑，避免混用：

• 基于ranger包实现的regr.ranger学习器，支持在调用importance()方法时传入参数指定重要性计算类型
• 基于原生randomForest包实现的regr.randomforest学习器，必须在训练前就配置好importance超参数，不支持在调用重要性方法时临时传入参数。

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