如何从基于recipe与logistic_reg() %>% set_engine("glm")构建的tidymodel对象中提取原生glm类模型？

当然可以从tidymodels的工作流拟合结果中提取出原生的glm类模型，完美适配easystats工具包！下面一步步帮你解决问题：

1. 提取原生glm模型 #

你用pull_workflow_fit()得到的model_fit对象，内部其实包含了原生的glm模型实例，只需要通过$fit或者pluck("fit")就能提取出来：

library(tidymodels)
library(easystats)

# 示例：构建并拟合一个逻辑回归工作流
data(mtcars)
mtcars$am <- factor(mtcars$am) # 转为分类变量

# 创建预处理配方
rec <- recipe(am ~ mpg + hp, data = mtcars) %>%
  step_center(all_predictors()) %>%
  step_scale(all_predictors())

# 定义模型规格
log_reg_spec <- logistic_reg() %>% set_engine("glm")

# 组装工作流并拟合
wf_fit <- workflow() %>%
  add_recipe(rec) %>%
  add_model(log_reg_spec) %>%
  fit(data = mtcars)

# 提取原生glm模型
native_glm <- wf_fit %>% pull_workflow_fit() %>% pluck("fit")

# 现在可以直接用easystats的工具啦
model_summary(native_glm)
check_model(native_glm)

提取后的native_glm就是标准的glm类对象，完全兼容easystats的所有函数。

2. 解决直接用glm()拟合的参数差异问题 #

你提到直接用glm()和配方中的公式得到参数不同，这核心原因是工作流中的配方做了预处理（比如中心化、标准化、哑变量编码等），而直接调用glm()时没有应用这些预处理步骤。要让参数一致，只需要让glm()使用和工作流中完全相同的预处理后数据即可：

方法一：用预处理后的数据集拟合glm #

先通过配方处理原始数据，再用处理后的数据拟合glm：

# 预处理数据
processed_data <- prep(rec, data = mtcars) %>% bake(new_data = NULL)

# 用处理后的数据拟合glm
glm_direct <- glm(am ~ mpg + hp, data = processed_data, family = binomial())

# 对比参数，完全一致！
all.equal(coef(native_glm), coef(glm_direct))

方法二：从工作流中提取预处理后的训练数据 #

也可以直接从已拟合的工作流中提取处理好的数据：

# 从工作流中提取预处理后的训练数据
wf_processed_data <- wf_fit %>% 
  pull_workflow_prepped_recipe() %>% 
  bake(new_data = NULL)

# 拟合glm
glm_from_wf <- glm(am ~ mpg + hp, data = wf_processed_data, family = binomial())

# 参数完全匹配
all.equal(coef(native_glm), coef(glm_from_wf))

这样就能保证两种方式拟合出的模型参数完全一致，同时也能顺利使用easystats工具包分析模型啦。

内容的提问来源于stack exchange，提问作者Marco B