大多數時候,模型的輸入應該足夠靈活,以捕獲用戶的多種不同輸入類型。 standardize()
專注於捕捉結果的靈活性。
細節
使用 XY 接口時,從 mold()
調用 standardize()
(即提供了 y
參數)。
例子
standardize(1:5)
#> # A tibble: 5 × 1
#> .outcome
#> <int>
#> 1 1
#> 2 2
#> 3 3
#> 4 4
#> 5 5
standardize(factor(letters[1:5]))
#> # A tibble: 5 × 1
#> .outcome
#> <fct>
#> 1 a
#> 2 b
#> 3 c
#> 4 d
#> 5 e
mat <- matrix(1:10, ncol = 2)
colnames(mat) <- c("a", "b")
standardize(mat)
#> # A tibble: 5 × 2
#> a b
#> <int> <int>
#> 1 1 6
#> 2 2 7
#> 3 3 8
#> 4 4 9
#> 5 5 10
df <- data.frame(x = 1:5, y = 6:10)
standardize(df)
#> # A tibble: 5 × 2
#> x y
#> <int> <int>
#> 1 1 6
#> 2 2 7
#> 3 3 8
#> 4 4 9
#> 5 5 10
相關用法
- R hardhat shrink 僅對所需列進行子集化
- R hardhat scream ? 尖叫。
- R hardhat spruce-multiple 完善多結果預測
- R hardhat validate_prediction_size 確保預測具有正確的行數
- R hardhat default_recipe_blueprint 默認配方藍圖
- R hardhat is_blueprint x 是預處理藍圖嗎?
- R hardhat validate_column_names 確保數據包含所需的列名
- R hardhat default_formula_blueprint 默認公式藍圖
- R hardhat update_blueprint 更新預處理藍圖
- R hardhat weighted_table 加權表
- R hardhat validate_outcomes_are_univariate 確保結果是單變量
- R hardhat get_levels 從 DataFrame 中提取因子水平
- R hardhat add_intercept_column 向數據添加截距列
- R hardhat is_frequency_weights x 是頻率權重向量嗎?
- R hardhat model_offset 提取模型偏移
- R hardhat model_matrix 構建設計矩陣
- R hardhat is_importance_weights x 是重要性權重向量嗎?
- R hardhat run-mold 根據藍圖 Mold()
- R hardhat get_data_classes 從 DataFrame 或矩陣中提取數據類
- R hardhat fct_encode_one_hot 將一個因子編碼為 one-hot 指標矩陣
- R hardhat new_frequency_weights 構建頻率權重向量
- R hardhat validate_no_formula_duplication 確保公式中不出現重複項
- R hardhat default_xy_blueprint 默認 XY 藍圖
- R hardhat validate_outcomes_are_numeric 確保結果都是數字
- R hardhat frequency_weights 頻率權重
注:本文由純淨天空篩選整理自Davis Vaughan等大神的英文原創作品 Standardize the outcome。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。