R workflowsets extract_workflow_set_result 提取工作流集的元素

這些函數從工作流集對象中提取各種元素。如果它們尚不存在，則會拋出錯誤。

extract_preprocessor() 返回用於預處理的公式、配方或變量表達式。
extract_spec_parsnip() 返回防風草模型規範。
extract_fit_parsnip() 返回防風草模型擬合對象。
extract_fit_engine() 返回嵌入防風草模型擬合中的引擎特定擬合。例如，當將 parsnip::linear_reg() 與 "lm" 引擎一起使用時，這將返回底層 lm 對象。
extract_mold() 返回從 hardhat::mold() 返回的預處理的 "mold" 對象。它包含有關預處理的信息，包括準備好的配方、公式術語對象或變量選擇器。
extract_recipe() 返回配方。 estimated 參數指定是返回擬合配方還是原始配方。
extract_workflow_set_result() 返回特定工作流程的 workflow_map() 結果。
extract_workflow() 返回工作流對象。工作流程尚未估計。
extract_parameter_set_dials() 返回將用於適應工作流集所提供的行 id 的參數集。請注意，工作流集默認引用與 info 列中包含的 workflow 關聯的參數集，但可以通過 option_add() 接口安裝修改後的參數集。該提取器返回後者(如果存在)，如果不存在則返回前者，鏡像workflow_map() 為調整函數提供參數集而遵循的過程。
extract_parameter_dials() 返回 parameters 對象，該對象將用於適應工作流集提供的行 id 中提供的調整 parameter。有關優先級，請參閱extract_parameter_set_dials() 中的上述注釋。

用法

extract_workflow_set_result(x, id, ...)

# S3 method for workflow_set
extract_workflow(x, id, ...)

# S3 method for workflow_set
extract_spec_parsnip(x, id, ...)

# S3 method for workflow_set
extract_recipe(x, id, ..., estimated = TRUE)

# S3 method for workflow_set
extract_fit_parsnip(x, id, ...)

# S3 method for workflow_set
extract_fit_engine(x, id, ...)

# S3 method for workflow_set
extract_mold(x, id, ...)

# S3 method for workflow_set
extract_preprocessor(x, id, ...)

# S3 method for workflow_set
extract_parameter_set_dials(x, id, ...)

# S3 method for workflow_set
extract_parameter_dials(x, id, parameter, ...)

參數

x: workflow_set() 或 workflow_map() 輸出的工作流程集。
id: 工作流 ID 的單個字符串。
...: 其他選項(當前未使用)。
estimated: 是否應返回原始(不適合)配方或適合配方的邏輯。
parameter: 參數 ID 的單個字符串。

值

從對象 x 中提取的值，如說明部分所述。

細節

這些函數取代 pull_*() 函數(例如 extract_workflow_set_result() )。

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

library(tune)

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[+]>

extract_workflow_set_result(two_class_res, "none_cart")
#> # Tuning results
#> # 5-fold cross-validation 
#> # A tibble: 5 × 4
#>   splits            id    .metrics          .notes          
#>   <list>            <chr> <list>            <list>          
#> 1 <split [632/159]> Fold1 <tibble [20 × 6]> <tibble [0 × 1]>
#> 2 <split [633/158]> Fold2 <tibble [20 × 6]> <tibble [0 × 1]>
#> 3 <split [633/158]> Fold3 <tibble [20 × 6]> <tibble [0 × 1]>
#> 4 <split [633/158]> Fold4 <tibble [20 × 6]> <tibble [0 × 1]>
#> 5 <split [633/158]> Fold5 <tibble [20 × 6]> <tibble [0 × 1]>

extract_workflow(two_class_res, "none_cart")
#> ══ Workflow ══════════════════════════════════════════════════════════════
#> Preprocessor: Formula
#> Model: decision_tree()
#> 
#> ── Preprocessor ──────────────────────────────────────────────────────────
#> Class ~ A + B
#> 
#> ── Model ─────────────────────────────────────────────────────────────────
#> Decision Tree Model Specification (classification)
#> 
#> Main Arguments:
#>   cost_complexity = tune()
#>   min_n = tune()
#> 
#> Computational engine: rpart 
#>

源代碼：R/extract.R

相關用法

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 Extract elements of workflow sets。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。