R workflows predict-workflow 從工作流程進行預測

這是適合工作流程對象的 predict() 方法。從工作流程進行預測的好處在於它將：

• 使用工作流創建和擬合時指定的預處理方法對 new_data 進行預處理。這是使用 hardhat::forge() 完成的，它將應用任何公式預處理或調用 recipes::bake()(如果提供了配方)。

• 使用底層擬合防風草模型為您調用parsnip::predict.model_fit()。

用法

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

參數

object

由 fit.workflow() 適配的工作流程

new_data

包含要預處理和預測的新預測變量的 DataFrame

type

單個字符值或 NULL 。可能的值為 "numeric" , "class" , "prob" , "conf_int" , "pred_int" , "quantile" , "time" , "hazard" , "survival" 或 "raw" 。當 NULL 時，predict() 會根據模型的模式選擇合適的值。

opts

type = "raw" 時將使用的基礎預測函數的可選參數列表。該列表不應包含模型對象或正在預測的新數據的選項。

...

其他 parsnip 相關選項，具體取決於 type 的值。無法在此處傳遞底層模型預測函數的參數(請改用opts 參數)。可能的論點是：

• interval ：對於 type 等於 "survival" 或 "quantile" ，是否應該添加間隔估計(如果有)？選項是 "none" 和 "confidence" 。

• level ：對於 type 等於 "conf_int" 、 "pred_int" 或 "survival" ，這是間隔尾部區域的參數(例如置信區間的置信水平)。默認值為0.95。

• std_error ：對於 type 等於 "conf_int" 或 "pred_int" ，添加擬合或預測的標準誤差(在線性預測變量的範圍內)。默認值為FALSE。

• quantile ：對於 type 等於 quantile ，分布的分位數。默認為 (1:9)/10 。

• time ：對於 type 等於 "survival" 或 "hazard" ，估計生存概率或危險的時間點。

值

模型預測的 DataFrame ，行數與 new_data 的行數相同。

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