问题描述
我们如何修复PipeOp的{{1}}，以使其参数或配置从一开始就固定下来，并且在训练和预测中都保持不变。
$state在上面的代码中，task = tsk("iris")
pos1 = po("scale",param_vals =list(
center = T,scale = T,affect_columns = selector_name("Sepal.Width")))
pos1$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$state
中的参数center和scale会根据数据重新计算，即使我尝试将其固定为零和二（不确定是否正确）。
解决方法
切勿手动更改PipeOp的{{1}}。也就是说，它更像是一个日志记录槽，供您检查，$state在经过训练后可以找到执行其预测步骤所需的所有信息。
PipeOp将始终将训练数据缩放为均值0，并按其均方根对其进行缩放（请参阅PipeOpScale），并存储“已学习”的参数（即均值和均方根）训练数据的平方，例如?scale函数返回的属性作为scale。在预测期间，将对数据进行类似的转换，从而得出可能不同的均值和均方根。
假设您要在训练和预测过程中将$state分别缩放为0和均方根2 两者（如上面的代码所建议；但这可能不是一个好主意） ），则可以使用"Sepal.Width"：
PipeOpColApply