关于#调优#的问题，如何解决？

大家好，我看到一篇超参数调优的文章中使用了

tuner <- tnr("grid_search", resolution = 5)

进行网格搜索，最近在学这个。我敲的代码如下：

task = tsk("iris")
split = partition(task, ratio = 0.8)
task$set_row_roles(split$test, "holdout")    
 
#（2）选择学习器，同时指定部分超参数，需要调参的超参数用 to_tune()设定搜索空间：
learner = lrn("classif.svm",
              type = "C-classification",    
              kernel = "radial",        
              cost = to_tune(0.1, 10),      
              gamma = to_tune(0, 5))        
#（3）对 cost, gamma 执行5 × 5网格调参，性能指标选择分类错误率，采用5 折交叉验证：
instance = tune(
  method = "grid_search",
  task = task,
  learner = learner,
  resampling = rsmp("cv", folds = 5),
  measure = msr("classif.ce"),
resolution=5)       
#（4）提取超参数调参结果
instance$result # 调参结果

这样的代码报错，然后我又把method和resolution去掉，改为

tnr("grid_search", resolution = 5)

这种成立，大家知道具体是怎么一回事吗？请专家多指导

根据您提供的的信息，我注意到在原始文章中使用的是"tuner <- tnr("grid_search", resolution = 5)"进行网格搜索，而您在代码中省略了"tuner"对象，直接使用了"tnr"。这可能是导致错误的原因之一。
在Tunes包中，函数"tnr"用于创建Tunes对象，而不是执行网格搜索。要执行网格搜索，您需要使用"tune"函数，并将"method"参数设置为"grid_search"。因此，在您的代码中，应该使用以下代码：

task = tsk("iris")  
split = partition(task, ratio = 0.8)  
task$set_row_roles(split$test, "holdout")  
   # （2）选择学习器，同时指定部分超参数，需要调参的超参数用 to_tune()设定搜索空间：  
learner = lrn("classif.svm",  
              type = "C-classification",      
              kernel = "radial",          
              cost = to_tune(0.1, 10),        
              gamma = to_tune(0, 5))          
   # （3）对 cost, gamma 执行5 × 5网格调参，性能指标选择分类错误率，采用5 折交叉验证：  
instance = tune(  
  method = "grid_search",  
  task = task,  
  learner = learner,  
  resampling = rsmp("cv", folds = 5),  
  measure = msr("classif.ce"),  
  resolution = 5)         
   # （4）提取超参数调参结果  
instance$result

这样，您应该能够成功执行网格搜索并获取调参结果。请注意，"resolution"参数在这种情况下是不必要的，因为您已经在"learner"中设置了搜索空间。