如何基于workflow_map结果高效拟合并预测每个模型？

针对批量处理所有调参组合的需求，我们可以借助purrr迭代工具结合tidymodels原生函数，高效完成所有超参数模型的拟合与预测，无需手动逐个操作。

步骤1：提取调参网格与基础工作流 #

首先从wf_tuning中拆分出每个模型的所有超参数组合，以及对应的基础工作流模板：

library(purrr)
library(dplyr)
library(tidyr)

# 提取每个模型的调参结果和基础工作流
model_metadata <- wf_tuning %>%
  mutate(
    # 提取所有超参数组合（自动适配不同模型的参数名）
    param_grids = map(result, ~ .x$.metrics %>% 
                        select(-.metric, -.estimator, -.mean, -.n, -.std_err) %>% 
                        distinct()),
    # 提取对应模型的基础工作流
    base_workflow = map(wflow_id, ~ extract_workflow(wf_tuning, .x))
  )

步骤2：批量更新、拟合与预测 #

定义一个处理单模型所有超参数组合的函数，然后批量应用到所有模型：

# 处理单个模型的所有超参数组合
process_single_model <- function(base_wf, param_grid) {
  param_grid %>%
    mutate(
      # 用当前超参数组合更新工作流
      updated_workflow = pmap(., function(...) {
        param_list <- list(...)
        base_wf %>% update_model(parameters(param_list))
      }),
      # 在训练集拟合模型
      fitted_workflow = map(updated_workflow, ~ fit(.x, data = TrainData)),
      # 对测试集生成分类预测
      test_predictions = map(fitted_workflow, ~ predict(.x, new_data = TestData, type = "class")),
      # 合并真实标签与预测结果
      results = map2(test_predictions, list(TestData$Y), ~ tibble(truth = .y, prediction = .x$.pred_class))
    )
}

# 批量处理所有模型
all_model_results <- model_metadata %>%
  mutate(
    model_output = map2(base_workflow, param_grids, process_single_model)
  )

# 整合所有结果为一个整洁的数据框
final_combined_results <- all_model_results %>%
  select(wflow_id, model_output) %>%
  unnest(model_output) %>%
  unnest(results)

步骤3：识别未预测案例 #

如果存在模型拟合失败导致的无预测结果，可以通过筛选缺失值定位：

# 查找所有未生成预测的案例
unpredicted_cases <- final_combined_results %>%
  filter(is.na(prediction)) %>%
  # 关联测试集原始数据，查看具体案例信息
  bind_cols(TestData[rep(1:nrow(TestData), nrow(param_grid)), ]) # 根据实际数据结构调整关联逻辑

优化建议 #

• 并行加速：如果模型数量多、参数组合多，用furrr包开启并行计算：

  library(furrr)
  plan(multisession) # 根据CPU核心数设置并行进程
  all_model_results <- model_metadata %>%
    mutate(
      model_output = future_map2(base_workflow, param_grids, process_single_model)
    )
  

• 参数适配：上述代码通过排除指标列的方式自动适配不同模型的参数，无需手动指定参数名，通用性更强。

内容的提问来源于stack exchange，提问作者Haonan Guo