使用tidymodels交叉验证时broom.mixed::augment函数报错求助

问题根源 #

报错的核心原因是：使用gls()拟合模型时，直接将rsample::analysis(split)传入data参数，模型会保存这个表达式而非实际的数据集。当后续调用augment()时，nlme::getData()会尝试重新解析该表达式，但此时split变量的上下文已丢失，导致rsample::analysis()无法识别对象类型，抛出No method for objects of class: function错误。

解决方案 #

方案一：拟合前提前提取分析数据集 #

修改拟合函数，先将rsample::analysis(split)的结果赋值给局部变量，再传入模型的data参数，让模型保存实际的数据框而非表达式：

fit_gls_cv <- 
  function(split) {
    # 提前提取分析数据集并赋值给局部变量
    analysis_data <- rsample::analysis(split)
    gls(log10(co2_mean_tot) ~  scale(log10(WALA))*scale(precip_av)*scale(soil_c_kgC) + scale(log10(area)),
        weights = varExp(form = ~ precip_av), 
        data = analysis_data, method = "REML")
  }

# 重新执行拟合与augment调用
cv_models <- 
  split_folds %>% 
  mutate(model = map(splits, fit_gls_cv),
         coef_info = map(model, tidy),
         gl_info = map(model, glance),
         pred = map(model, predict)) 

cv_models %>% 
  mutate(aug = map(model, augment))

方案二：调用augment时手动指定数据集 #

如果不想修改原有拟合逻辑，可在调用augment()时，手动传入对应折的分析数据集，通过map2()关联模型和对应的splits对象：

cv_models %>% 
  mutate(aug = map2(model, splits, function(mod, spl) {
    augment(mod, data = rsample::analysis(spl))
  }))

方案对比 #

• 方案一从根源解决问题，模型自带数据集，后续调用augment()、residuals()等函数无需额外传参，但会增加模型对象的体积。
• 方案二更灵活，适合保留原有拟合流程的场景，需要手动关联模型与对应数据集。

内容的提问来源于stack exchange，提问作者user23312050