使用tidymodels、parsnip、workflows复用Recipe处理试验结果的挑战

目标 #

复用一个recipe对象，适配逻辑回归、随机森林等多种建模类型，处理浓缩后的调查计数数据。

数据变量 #

• outcome_yes：事件发生的数值计数
• outcome_no：事件未发生的数值计数
• total_tested：测试总次数（等于outcome_yes与outcome_no之和）
• cat_pred：二分类预测变量（取值为是/否）
• num_pred：连续型预测变量（潜在结果障碍计数）

现有可行建模方法（基础glm实现） #

以下两种glm()写法结果一致，且已在SAS中复现：

1. 使用cbind()构建响应变量：

example_data |>
  glm(
    cbind(outcome_yes, outcome_no) ~ cat_pred + num_pred,
    family = binomial(),
    data = _
  )

2. 事件/试验语法+权重：

example_data |>
  glm(
    outcome_yes / total_tested ~ cat_pred + num_pred,
    family = binomial(),
    weights = total_tested,
    data = _
  )

遇到的问题 #

在recipe()中使用上述任一写法时，直接报错：

Error in `inline_check()`:
! No in-line functions should be used here; use steps to define baking actions.
Backtrace:
 1. recipes::recipe(...)
 2. recipes:::recipe.formula(...)
 3. recipes:::form2args(formula, data, ...)
 4. recipes:::inline_check(formula)

尝试的解决方案及报错 #

尝试将因变量设为outcome_yes + outcome_no，但在fit()步骤失败：

代码示例 #

the_recipe <-
  recipe(
    outcome_yes + outcome_no ~ cat_pred + num_pred,
    family = binomial(),
    data = example_data
  ) |> 
  step_relevel(all_factor_predictors(), ref_level = 'No') |> 
  step_dummy(all_factor_predictors())

the_model <-
  logistic_reg() |> 
  set_engine('glm') |> 
  set_mode('classification')

the_workflow <-
  workflow() |> 
  add_recipe(the_recipe) |> 
  add_model(the_model)

the_workflow |> 
  fit(example_data)

报错信息 #

Error in `check_outcome()`:
! For a classification model, the outcome should be a `factor`, not a `tbl_df`.
Backtrace:
  1. generics::fit(the_workflow, example_data)
  2. workflows:::fit.workflow(the_workflow, example_data)
  3. workflows::.fit_model(workflow, control)
  5. workflows:::fit.action_model(...)
  6. workflows:::fit_from_xy(spec, mold, case_weights, control_parsnip)
  8. parsnip::fit_xy.model_spec(...)
  9. parsnip:::xy_form(...)
 10. parsnip:::check_outcome(env$y, object)

核心需求 #

创建可在workflow中使用、适配多种建模类型的recipe。

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