我以前使用mlr3解决不平衡分类问题，并在训练过程中使用PipeOpClassWeights将类权重应用于学习器。此管道操作向Task$weights属性中的Task添加一列观察权重。然后在训练期间将这些观察权重传递给Learner。
一些分类性能指标，如Brier得分（classif.bbrier）和log loss（classif.logloss），可以通过应用类权重来计算（这就是我们使用类权重训练时训练log loss发生的情况）。
我的问题是，当我们用resample执行验证，并从结果中汇总性能指标时，

resampling = rsmp("cv", folds = 4)
measure = msr("classif.bbrier")
result = resample(task, learner, resampling)
score = resampling$aggregate(measure)

类权重是否也应用于此验证分数计算（如果适用于特定度量）？当我们执行超参数调优时，例如使用AutoTuner时，是否也会这样做？
我查看了上述类的文档，以及mlr3book的重采样部分，但找不到答案。我假设我们希望将应用于训练损失的相同类权重应用于验证损失，至少对于超参数调优，如果不是性能测试的话。
在xgboost的Python实现的验证分数中遇到类似的问题后，我受到了启发，开始研究这个问题，讨论here。