R parsnip fit 将模型规范拟合到数据集

fit() 和 fit_xy() 采用模型规范，通过替换参数翻译所需的代码，并执行模型拟合例程。

用法

# S3 method for model_spec
fit(
  object,
  formula,
  data,
  case_weights = NULL,
  control = control_parsnip(),
  ...
)

# S3 method for model_spec
fit_xy(object, x, y, case_weights = NULL, control = control_parsnip(), ...)

参数

object: 具有选定引擎的 model_spec 类对象(通过 set_engine() )。
formula: formula 类的对象(或可以强制为该类的对象)：要拟合的模型的符号说明。
data: 可选，具体取决于接口(请参阅下面的详细信息)。包含所有相关变量(例如结果、预测变量、案例权重等)的 DataFrame 。注意：需要时，应使用命名参数。
case_weights: 数字案例权重的可选分类向量。当 hardhat::is_case_weights() 运行时，它必须返回 TRUE。有关示例，请参阅hardhat::frequency_weights() 和hardhat::importance_weights()。
control: 包含元素 verbosity 和 catch 的命名列表。请参阅control_parsnip()。
...: 目前未使用；此处传递的值将被忽略。适合模型所需的其他选项应使用 set_engine() 传递。
x: 预测变量的矩阵、稀疏矩阵或 DataFrame 。只有某些模型支持稀疏矩阵输入。有关详细信息，请参阅parsnip::get_encoding()。 x 应该有列名称。
y: 结果数据的向量、矩阵或 DataFrame 。

值

包含多个元素的 model_fit 对象：

lvl：如果结果是一个因子，则包含模型拟合时的因子水平。
spec ：模型规范对象(object 在对 fit 的调用中)
fit ：当模型执行没有错误时，这是模型对象。否则，它是带有错误消息的 try-error 对象。
preproc ：公式和非公式接口之间转换所需的任何对象(例如terms 对象)

返回值在 "model_fit" 的基类之前还将有一个与拟合模型相关的类(例如 "_glm" )。

细节

fit() 和 fit_xy() 将模型规范中的当前参数替换为计算引擎的代码，检查它们的有效性，然后使用数据和引擎特定的代码拟合模型。不同的模型函数具有不同的接口(例如，公式或 x /y )，这些函数在调用 fit() 或 fit_xy() 时使用的接口与底层模型所需的接口之间进行转换。

如果可能，这些函数会尝试避免复制数据。例如，如果底层模型使用公式并调用fit()，则模型拟合时将引用原始数据。但是，如果底层模型使用其他内容，例如 x /y ，则会计算公式并将数据转换为所需的格式。在这种情况下，生成的模型对象中的任何调用都会引用用于拟合模型的临时对象。

如果尚未设置模型引擎，则将使用模型的默认引擎(如每个模型页面上所述)。如果control_parsnip() 的verbosity 选项大于零，将产生警告。

如果您想在向 fit() 提供公式时使用替代方法来生成对比，请将全局选项 contrasts 设置为您的首选方法。例如，您可以将其设置为：options(contrasts = c(unordered = "contr.helmert", ordered = "contr.poly")) 。有关更多可能的对比度类型，请参阅 stats::contr.treatment() 的帮助页面。

对于具有 "censored regression" 模式的模型，将执行额外的计算并将其保存在防风草对象中。 censor_probs 元素包含一条“反向 Kaplan-Meier”曲线，用于对审查概率进行建模。这可以稍后用于计算性能测量的逆概率审查权重。

也可以看看

set_engine() , control_parsnip() , model_spec , model_fit

例子

# Although `glm()` only has a formula interface, different
# methods for specifying the model can be used

library(dplyr)
library(modeldata)
data("lending_club")

lr_mod <- logistic_reg()

using_formula <-
  lr_mod %>%
  set_engine("glm") %>%
  fit(Class ~ funded_amnt + int_rate, data = lending_club)

using_xy <-
  lr_mod %>%
   set_engine("glm") %>%
  fit_xy(x = lending_club[, c("funded_amnt", "int_rate")],
         y = lending_club$Class)

using_formula
#> parsnip model object
#> 
#> 
#> Call:  stats::glm(formula = Class ~ funded_amnt + int_rate, family = stats::binomial, 
#>     data = data)
#> 
#> Coefficients:
#> (Intercept)  funded_amnt     int_rate  
#>   5.131e+00    2.767e-06   -1.586e-01  
#> 
#> Degrees of Freedom: 9856 Total (i.e. Null);  9854 Residual
#> Null Deviance:	    4055 
#> Residual Deviance: 3698 	AIC: 3704
using_xy
#> parsnip model object
#> 
#> 
#> Call:  stats::glm(formula = ..y ~ ., family = stats::binomial, data = data)
#> 
#> Coefficients:
#> (Intercept)  funded_amnt     int_rate  
#>   5.131e+00    2.767e-06   -1.586e-01  
#> 
#> Degrees of Freedom: 9856 Total (i.e. Null);  9854 Residual
#> Null Deviance:	    4055 
#> Residual Deviance: 3698 	AIC: 3704

源代码：R/fit.R

相关用法

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 Fit a Model Specification to a Dataset。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。