R workflows predict-workflow 从工作流程进行预测

这是适合工作流程对象的 predict() 方法。从工作流程进行预测的好处在于它将：

• 使用工作流创建和拟合时指定的预处理方法对 new_data 进行预处理。这是使用 hardhat::forge() 完成的，它将应用任何公式预处理或调用 recipes::bake()(如果提供了配方)。

• 使用底层拟合防风草模型为您调用parsnip::predict.model_fit()。

用法

# S3 method for workflow
predict(object, new_data, type = NULL, opts = list(), ...)

参数

object

由 fit.workflow() 适配的工作流程

new_data

包含要预处理和预测的新预测变量的 DataFrame

type

单个字符值或 NULL 。可能的值为 "numeric" , "class" , "prob" , "conf_int" , "pred_int" , "quantile" , "time" , "hazard" , "survival" 或 "raw" 。当 NULL 时，predict() 会根据模型的模式选择合适的值。

opts

type = "raw" 时将使用的基础预测函数的可选参数列表。该列表不应包含模型对象或正在预测的新数据的选项。

...

其他 parsnip 相关选项，具体取决于 type 的值。无法在此处传递底层模型预测函数的参数(请改用opts 参数)。可能的论点是：

• interval ：对于 type 等于 "survival" 或 "quantile" ，是否应该添加间隔估计(如果有)？选项是 "none" 和 "confidence" 。

• level ：对于 type 等于 "conf_int" 、 "pred_int" 或 "survival" ，这是间隔尾部区域的参数(例如置信区间的置信水平)。默认值为0.95。

• std_error ：对于 type 等于 "conf_int" 或 "pred_int" ，添加拟合或预测的标准误差(在线性预测变量的范围内)。默认值为FALSE。

• quantile ：对于 type 等于 quantile ，分布的分位数。默认为 (1:9)/10 。

• time ：对于 type 等于 "survival" 或 "hazard" ，估计生存概率或危险的时间点。

值

模型预测的 DataFrame ，行数与 new_data 的行数相同。

例子

library(parsnip)
library(recipes)
library(magrittr)

training <- mtcars[1:20, ]
testing <- mtcars[21:32, ]

model <- linear_reg() %>%
  set_engine("lm")

workflow <- workflow() %>%
  add_model(model)

recipe <- recipe(mpg ~ cyl + disp, training) %>%
  step_log(disp)

workflow <- add_recipe(workflow, recipe)

fit_workflow <- fit(workflow, training)

# This will automatically `bake()` the recipe on `testing`,
# applying the log step to `disp`, and then fit the regression.
predict(fit_workflow, testing)
#> # A tibble: 12 × 1
#>    .pred
#>    <dbl>
#>  1  25.4
#>  2  15.4
#>  3  15.8
#>  4  14.4
#>  5  13.2
#>  6  29.4
#>  7  25.4
#>  8  27.6
#>  9  14.4
#> 10  23.2
#> 11  15.9
#> 12  25.3