自定义Recipe步骤依赖结果变量时Tidymodels预测报错的解决

问题背景 #

为基于基因表达的分类器实现了自定义tidymodels recipe步骤step_limma，该步骤利用limma进行二元结果变量的差异表达分析，筛选指定数量的特征基因。但在使用predict函数对不含结果变量target的测试集进行预测时，bake阶段的dplyr::select操作因尝试选择不存在的target列而报错。

解决方案 #

修改bake.step_limma函数，增加对new_data中是否存在target列的判断：

• 处理训练数据（包含target列）时，保留target和选中的特征
• 处理测试/预测数据（无target列）时，仅保留选中的特征

修改后的代码 #

仅需替换原有的bake.step_limma函数：

bake.step_limma <- function(object, new_data, ...) {
    # 判断target列是否存在于new_data中
    if (object$target %in% colnames(new_data)) {
        new_data <- new_data %>% dplyr::select(object$target, dplyr::all_of(object$features))
    } else {
        new_data <- new_data %>% dplyr::select(dplyr::all_of(object$features))
    }
    new_data
}

验证效果 #

替换上述函数后，重新运行预测代码：

fit %>% predict(set_test)

此时将正常返回预测结果，不再出现target列缺失的报错。

补充说明 #

tidymodels在预测阶段会自动剥离测试集中的结果变量（如果存在），但如果测试集本身就不含target列，自定义步骤的bake操作必须兼容这种情况。通过条件判断可以确保步骤在训练和预测阶段都能正确运行。

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