使用現有對象創建工作流集。簡單工作流或具有類 "tune_results"
的對象列表可以轉換為工作流集。
參數
- ...
-
一個或多個命名對象。名稱應該是唯一的,並且對象應該至少具有以下類之一:
workflow
、iteration_results
、tune_results
、resample_results
或tune_race
。每個tune_results
元素還應包含原始工作流程(使用控製函數中的save_workflow
選項完成)。
注意
該軟件包提供兩個預生成的工作流程集 two_class_set
和 chi_features_set
,以及適合 two_class_res
和 chi_features_res
的相關模型集。
two_class_*
對象基於使用 modeldata 包中的 two_class_dat
數據的二元分類問題。這六個模型利用裸公式或基本配方,利用 recipes::step_YeoJohnson()
作為預處理器,以及決策樹、邏輯回歸或 MARS 模型規範。有關源代碼,請參閱?two_class_set
。
chi_features_*
對象基於使用 modeldata 包中的 Chicago
數據的回歸問題。這三個模型均采用線性回歸模型規範,具有不同複雜性的三種不同配方。這些對象旨在近似 Kuhn 和 Johnson (2019) 第 1.3 節中構建的模型序列。有關源代碼,請參閱?chi_features_set
。
例子
# ------------------------------------------------------------------------------
# Existing results
# Use the already worked example to show how to add tuned
# objects to a workflow set
two_class_res
#> # A workflow set/tibble: 6 × 4
#> wflow_id info option result
#> <chr> <list> <list> <list>
#> 1 none_cart <tibble [1 × 4]> <opts[3]> <tune[+]>
#> 2 none_glm <tibble [1 × 4]> <opts[3]> <rsmp[+]>
#> 3 none_mars <tibble [1 × 4]> <opts[3]> <tune[+]>
#> 4 yj_trans_cart <tibble [1 × 4]> <opts[3]> <tune[+]>
#> 5 yj_trans_glm <tibble [1 × 4]> <opts[3]> <rsmp[+]>
#> 6 yj_trans_mars <tibble [1 × 4]> <opts[3]> <tune[+]>
results <- two_class_res %>% purrr::pluck("result")
names(results) <- two_class_res$wflow_id
# These are all objects that have been resampled or tuned:
purrr::map_chr(results, ~ class(.x)[1])
#> none_cart none_glm none_mars
#> "tune_results" "resample_results" "tune_results"
#> yj_trans_cart yj_trans_glm yj_trans_mars
#> "tune_results" "resample_results" "tune_results"
# Use rlang's !!! operator to splice in the elements of the list
new_set <- as_workflow_set(!!!results)
# ------------------------------------------------------------------------------
# Make a set from unfit workflows
library(parsnip)
library(workflows)
lr_spec <- logistic_reg()
main_effects <-
workflow() %>%
add_model(lr_spec) %>%
add_formula(Class ~ .)
interactions <-
workflow() %>%
add_model(lr_spec) %>%
add_formula(Class ~ (.)^2)
as_workflow_set(main = main_effects, int = interactions)
#> # A workflow set/tibble: 2 × 4
#> wflow_id info option result
#> <chr> <list> <list> <list>
#> 1 main <tibble [1 × 4]> <opts[0]> <NULL>
#> 2 int <tibble [1 × 4]> <opts[0]> <NULL>
相關用法
- R workflowsets autoplot.workflow_set 繪製工作流程集的結果
- R workflowsets extract_workflow_set_result 提取工作流集的元素
- R workflowsets comment_add 為工作流程添加注釋和評論
- R workflowsets option_add 添加和編輯工作流程集中保存的選項
- R workflowsets fit_best.workflow_set 將模型擬合到數值最優配置
- R workflowsets leave_var_out_formulas 創建沒有每個預測變量的公式
- R workflowsets collect_metrics.workflow_set 獲取並格式化通過調整工作流集函數生成的結果
- R workflowsets workflow_map 處理一係列工作流程
- R workflowsets option_list 製作一個分類的選項列表
- R workflowsets rank_results 按指標對結果進行排名
- R workflowsets workflow_set 從預處理和模型對象生成一組工作流對象
- R workflowsets pull_workflow_set_result 從工作流集中提取元素
- R workflowsets update_workflow_model 更新工作流集中的工作流組件
- R workflows add_model 將模型添加到工作流程
- R workflows workflow 創建工作流程
- R workflows extract-workflow 提取工作流程的元素
- R workflows add_variables 將變量添加到工作流程
- R workflows add_formula 將公式術語添加到工作流程
- R workflows predict-workflow 從工作流程進行預測
- R workflows augment.workflow 通過預測增強數據
- R workflows add_recipe 將配方添加到工作流程
- R workflows glance.workflow 工作流程模型一覽
- R workflows is_trained_workflow 確定工作流程是否經過訓練
- R workflows fit-workflow 適合工作流對象
- R workflows add_case_weights 將案例權重添加到工作流程
注:本文由純淨天空篩選整理自Max Kuhn等大神的英文原創作品 Convert existing objects to a workflow set。非經特殊聲明,原始代碼版權歸原作者所有,本譯文未經允許或授權,請勿轉載或複製。