这些函数从调谐对象中提取各种元素。如果它们尚不存在,则会抛出错误。
-
extract_preprocessor()
返回用于预处理的公式、配方或变量表达式。 -
extract_spec_parsnip()
返回防风草模型规范。 -
extract_fit_parsnip()
返回防风草模型拟合对象。 -
extract_fit_engine()
返回嵌入防风草模型拟合中的引擎特定拟合。例如,当将parsnip::linear_reg()
与"lm"
引擎一起使用时,这将返回底层lm
对象。 -
extract_mold()
返回从hardhat::mold()
返回的预处理的 "mold" 对象。它包含有关预处理的信息,包括准备好的配方、公式术语对象或变量选择器。 -
extract_recipe()
返回配方。estimated
参数指定是返回拟合配方还是原始配方。 -
如果使用控制选项
save_workflow = TRUE
,extract_workflow()
将返回工作流对象。仅针对last_fit()
生成的对象估计工作流程。
用法
# S3 method for last_fit
extract_workflow(x, ...)
# S3 method for tune_results
extract_workflow(x, ...)
# S3 method for tune_results
extract_spec_parsnip(x, ...)
# S3 method for tune_results
extract_recipe(x, ..., estimated = TRUE)
# S3 method for tune_results
extract_fit_parsnip(x, ...)
# S3 method for tune_results
extract_fit_engine(x, ...)
# S3 method for tune_results
extract_mold(x, ...)
# S3 method for tune_results
extract_preprocessor(x, ...)
细节
这些函数取代 extract_model()
。
例子
library(recipes)
library(rsample)
library(parsnip)
set.seed(6735)
tr_te_split <- initial_split(mtcars)
spline_rec <- recipe(mpg ~ ., data = mtcars) %>%
step_ns(disp)
lin_mod <- linear_reg() %>%
set_engine("lm")
spline_res <- last_fit(lin_mod, spline_rec, split = tr_te_split)
extract_preprocessor(spline_res)
#>
#> ── Recipe ────────────────────────────────────────────────────────────────
#>
#> ── Inputs
#> Number of variables by role
#> outcome: 1
#> predictor: 10
#>
#> ── Operations
#> • Natural splines on: disp
# The `spec` is the parsnip spec before it has been fit.
# The `fit` is the fitted parsnip model.
extract_spec_parsnip(spline_res)
#> Linear Regression Model Specification (regression)
#>
#> Computational engine: lm
#>
extract_fit_parsnip(spline_res)
#> parsnip model object
#>
#>
#> Call:
#> stats::lm(formula = ..y ~ ., data = data)
#>
#> Coefficients:
#> (Intercept) cyl hp drat wt
#> 23.087028 0.326218 0.005969 -0.009576 -0.902839
#> qsec vs am gear carb
#> 0.185826 1.492756 4.101555 0.174875 -1.278962
#> disp_ns_1 disp_ns_2
#> -15.149506 -4.905087
#>
extract_fit_engine(spline_res)
#>
#> Call:
#> stats::lm(formula = ..y ~ ., data = data)
#>
#> Coefficients:
#> (Intercept) cyl hp drat wt
#> 23.087028 0.326218 0.005969 -0.009576 -0.902839
#> qsec vs am gear carb
#> 0.185826 1.492756 4.101555 0.174875 -1.278962
#> disp_ns_1 disp_ns_2
#> -15.149506 -4.905087
#>
# The mold is returned from `hardhat::mold()`, and contains the
# predictors, outcomes, and information about the preprocessing
# for use on new data at `predict()` time.
extract_mold(spline_res)
#> $predictors
#> # A tibble: 24 × 11
#> cyl hp drat wt qsec vs am gear carb disp_ns_1
#> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 8 205 2.93 5.25 18.0 0 0 3 4 0.341
#> 2 4 95 3.92 3.15 22.9 1 0 4 2 0.260
#> 3 6 175 3.62 2.77 15.5 0 1 5 6 0.274
#> 4 8 245 3.73 3.84 15.4 0 0 3 4 0.554
#> 5 4 52 4.93 1.62 18.5 1 1 4 2 0.0177
#> 6 8 180 3.07 3.78 18 0 0 3 3 0.571
#> 7 8 215 3 5.42 17.8 0 0 3 4 0.366
#> 8 8 175 3.15 3.44 17.0 0 0 3 2 0.542
#> 9 8 180 3.07 4.07 17.4 0 0 3 3 0.571
#> 10 6 110 3.9 2.88 17.0 0 1 4 4 0.324
#> # ℹ 14 more rows
#> # ℹ 1 more variable: disp_ns_2 <dbl>
#>
#> $outcomes
#> # A tibble: 24 × 1
#> mpg
#> <dbl>
#> 1 10.4
#> 2 22.8
#> 3 19.7
#> 4 13.3
#> 5 30.4
#> 6 15.2
#> 7 10.4
#> 8 18.7
#> 9 16.4
#> 10 21
#> # ℹ 14 more rows
#>
#> $blueprint
#> Recipe blueprint:
#>
#> # Predictors: 10
#> # Outcomes: 1
#> Intercept: FALSE
#> Novel Levels: FALSE
#> Composition: tibble
#>
#> $extras
#> $extras$roles
#> NULL
#>
#>
# A useful shortcut is to extract the fitted recipe from the workflow
extract_recipe(spline_res)
#>
#> ── Recipe ────────────────────────────────────────────────────────────────
#>
#> ── Inputs
#> Number of variables by role
#> outcome: 1
#> predictor: 10
#>
#> ── Training information
#> Training data contained 24 data points and no incomplete rows.
#>
#> ── Operations
#> • Natural splines on: disp | Trained
# That is identical to
identical(
extract_mold(spline_res)$blueprint$recipe,
extract_recipe(spline_res)
)
#> [1] TRUE
相关用法
- R tune expo_decay 指数衰减函数
- R tune coord_obs_pred 对观察值与预测值的绘图使用相同的比例
- R tune filter_parameters 删除一些调整参数结果
- R tune fit_best 将模型拟合到数值最优配置
- R tune conf_mat_resampled 计算重采样的平均混淆矩阵
- R tune finalize_model 将最终参数拼接到对象中
- R tune tune_bayes 模型参数的贝叶斯优化。
- R tune collect_predictions 获取并格式化由调整函数产生的结果
- R tune show_best 研究最佳调整参数
- R tune fit_resamples 通过重采样拟合多个模型
- R tune merge.recipe 将参数网格值合并到对象中
- R tune autoplot.tune_results 绘图调整搜索结果
- R tune tune_grid 通过网格搜索进行模型调整
- R tune dot-use_case_weights_with_yardstick 确定案例权重是否应传递至标准
- R tune message_wrap 写一条尊重线宽的消息
- R tune prob_improve 用于对参数组合进行评分的获取函数
- R tune last_fit 将最终的最佳模型拟合到训练集并评估测试集
- R update_PACKAGES 更新现有的 PACKAGES 文件
- R textrecipes tokenlist 创建令牌对象
- R themis smotenc SMOTENC算法
- R print.via.format 打印实用程序
- R tibble tibble 构建 DataFrame 架
- R tidyr separate_rows 将折叠的列分成多行
- R textrecipes step_lemma 标记变量的词形还原
- R textrecipes show_tokens 显示配方的令牌输出
注:本文由纯净天空筛选整理自Max Kuhn等大神的英文原创作品 Extract elements of tune objects。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。