【亲测免费】 tidymodels 开源项目教程

1. 项目介绍

tidymodels 是一个用于建模和统计分析的“元包”，它共享了 tidyverse 的设计哲学、语法和数据结构。tidymodels 包含了一系列核心包，这些包在启动时会被加载，包括：

• broom：将 R 内置函数的输出（如 lm、nls、t.test）转换为整洁的数据框。
• dials：用于创建和管理调优参数的工具。
• dplyr：数据操作的语法。
• ggplot2：实现图形语法。
• infer：现代统计推断方法。
• parsnip：一个整洁、统一的模型创建接口。
• purrr：函数式编程工具包。
• recipes：一个现代的数据预处理器，可以创建包含特征工程、插补等功能的模型矩阵。
• rsample：用于重采样数据的基础设施，以便模型可以被评估和经验验证。
• tibble：数据框的现代重新想象。
• tune：用于优化模型超参数的函数。
• workflows：将预处理步骤和模型组合成单一对象的方法。
• yardstick：用于评估模型的工具（如准确性、RMSE 等）。

2. 项目快速启动

安装

你可以从 CRAN 安装 tidymodels 的发布版本：

install.packages("tidymodels")

或者从 GitHub 安装开发版本：

# 安装 pak 包
install.packages("pak")

# 使用 pak 安装 tidymodels
pak::pak("tidymodels/tidymodels")

加载

加载 tidymodels 包：

library(tidymodels)

示例代码

以下是一个简单的线性回归模型示例：

# 加载数据
data(mtcars)

# 创建线性回归模型
lm_model <- linear_reg() %>%
  set_engine("lm") %>%
  fit(mpg ~ ., data = mtcars)

# 查看模型摘要
summary(lm_model$fit)

3. 应用案例和最佳实践

应用案例

tidymodels 广泛应用于数据科学和统计分析中。例如，在金融领域，可以使用 tidymodels 进行时间序列分析和预测；在医疗领域，可以用于疾病预测和患者数据分析。

最佳实践

• 数据预处理：使用 recipes 包进行数据预处理，包括特征工程、缺失值插补等。
• 模型选择：使用 tune 包进行超参数优化，选择最佳模型。
• 模型评估：使用 yardstick 包评估模型的性能，如准确性、RMSE 等。

4. 典型生态项目

tidymodels 生态系统中的一些典型项目包括：

• broom：将模型输出转换为整洁的数据框。
• parsnip：提供统一的模型接口。
• recipes：数据预处理工具。
• rsample：数据重采样工具。
• tune：模型超参数优化工具。
• workflows：将预处理步骤和模型组合成单一对象。
• yardstick：模型评估工具。

这些项目共同构成了 tidymodels 强大的生态系统，为数据科学家和统计分析师提供了全面的工具集。