tidymodels/embed 开源项目教程

1. 项目介绍

embed 是一个R语言的扩展包，它是 recipes 包的额外步骤插件，用于将预测变量嵌入到一个或多个数值列中。这个包提供了一系列的预处理方法，主要用于监督学习。由于依赖的包如 rstanarm、lme4 和 keras3 等体积较大，因此这些步骤被放在一个独立的包中。

2. 项目快速启动

首先，确保你已经安装了R和RStudio。然后，通过以下命令安装 embed 包及其依赖：

install.packages("embed")
# 如果需要使用某些特定步骤，还需要安装以下包
install.packages(c("rpart", "xgboost", "rstanarm", "lme4"))

安装完成后，你可以在R中加载 embed 包，并开始使用它提供的步骤进行数据预处理。

3. 应用案例和最佳实践

以下是一些使用 embed 包的应用案例和最佳实践。

嵌入分类变量

如果你有一个分类变量，并且想要将其嵌入到数值特征中，可以使用 step_embed() 步骤。以下是一个示例代码：

library(embed)
library(recipes)

# 创建一个recipe对象
recipe <- recipe(~ ., data = my_data)

# 添加嵌入步骤
recipe <- recipe %>% 
  step_embed(all_nominal(), size = 10)

# 适合模型
model <- recipe.fit(recipes::prep(recipe, training = my_data))

# 使用模型进行变换
new_data <- recipes::bake(model, new_data)

使用特征哈希

对于高基数的分类变量，可以使用 step_feature_hash() 步骤来创建指标变量：

recipe <- recipe %>% 
  step_feature_hash(all_nominal(), hash_size = 10, collisions = 2)

数值变量的非线性变换

对于数值变量，可以使用 step_umap() 来进行非线性变换：

recipe <- recipe %>% 
  step_umap(all_numeric(), n_neighbors = 5, min_dist = 0.1)

4. 典型生态项目

embed 包是 tidymodels 生态系统的一部分，以下是一些与 embed 相关的典型生态项目：

• recipes: 用于构建数据预处理管道的包。
• tidymodels: 提供了一套建模和机器学习的统一接口。
• rstanarm: 用于拟合贝叶斯统计模型的包。
• lme4: 用于线性混合效应模型的包。

这些项目共同构成了一个强大的数据科学工具集，可以帮助用户进行高效的数据预处理和模型构建。