R语言线性回归建模及vfold_cv函数使用问题求助

1. 解决prep函数找不到的错误 #

出现could not find function "prep"是因为你没加载recipes包，另外代码里用到的initial_split、vfold_cv来自rsample包，linear_reg来自parsnip包，step_smote来自themis包——这些都属于tidymodels工具集，先把必要的包装上并加载：

# 加载所需包
library(tidyverse)   # 包含read_csv等常用数据处理函数
library(tidymodels)  # 整合rsample、parsnip、recipes等建模工具
library(themis)      # 提供step_smote函数（注意：回归任务用不上这个，后面会说明）

另外你手动把字符转成因子的步骤可以删掉，recipe里的step_string2factor能自动完成这个操作，更省心。

2. 正确使用vfold_cv做交叉验证 #

在tidymodels工作流里，交叉验证需要结合数据预处理规则（recipe）、模型定义、工作流（整合两者），用fit_resamples在折叠上训练并评估模型，步骤如下：

完整修正后的代码示例 #

# 1. 加载包
library(tidyverse)
library(tidymodels)
library(themis)

# 2. 读取数据
AirBnB_price <- read_csv('train_2.csv')

# 3. 划分训练/测试集（设置随机种子保证结果可复现）
set.seed(123)
AirBnB_price_split <- initial_split(AirBnB_price, prop = 0.8)
AirBnB_price_train <- training(AirBnB_price_split)
AirBnB_price_test <- testing(AirBnB_price_split)

# 4. 创建交叉验证折叠（基于训练集，用10折分层验证）
set.seed(456)
cv_folds <- vfold_cv(AirBnB_price_train, strata = price, v = 10)

# 5. 定义预处理规则（注意：step_smote是分类任务用的，回归任务请删除这一行）
AirBnB_recipe <- recipe(price ~ ., data = AirBnB_price_train) %>%
  update_role(host_id, new_role = "Id") %>%
  step_string2factor(neighbourhood, neighbourhood_group, room_type) %>%
  step_other(neighbourhood, threshold = 0.01) %>%  # 合并低频社区类别
  step_dummy(all_nominal_predictors()) %>%  # 对分类变量做哑变量编码
  step_zv(all_predictors()) %>%  # 移除零方差无意义变量
  step_normalize(all_numeric_predictors()) %>%  # 标准化数值变量
  # step_smote(price)  # 回归任务不需要此步骤，建议删除
  prep()  # 直接在recipe里完成预处理训练，不用单独调用prep函数

# 6. 定义线性回归模型
lm_spec <- linear_reg() %>%
  set_engine("lm") %>%
  set_mode("regression")  # 明确是回归预测任务

# 7. 创建工作流（整合预处理和模型）
lm_workflow <- workflow() %>%
  add_recipe(AirBnB_recipe) %>%
  add_model(lm_spec)

# 8. 在交叉验证折叠上训练并评估模型
cv_results <- fit_resamples(
  object = lm_workflow,
  resamples = cv_folds,
  metrics = metric_set(rsq, rmse, mae)  # 选择回归任务的评估指标：决定系数、均方根误差、平均绝对误差
)

# 查看交叉验证结果
collect_metrics(cv_results)

# 9. 在完整训练集上训练最终模型，并用测试集评估
final_fit <- last_fit(lm_workflow, AirBnB_price_split)
collect_metrics(final_fit)
# 可视化预测值和真实值的关系
collect_predictions(final_fit) %>% 
  ggplot(aes(x = price, y = .pred)) + 
  geom_point(alpha = 0.3) + 
  geom_abline(color = "red")

关键说明 #

• 交叉验证的位置：必须在划分训练/测试集之后，基于训练集创建折叠，保证测试集完全独立，避免数据泄露。
• 为什么用workflow：它会自动在每个交叉验证折叠内单独执行预处理，避免在整个训练集上预处理再拆分导致的泄露问题，同时减少重复代码。
• 关于step_smote：这个函数是用来处理分类任务的类别不平衡问题的，你的任务是预测连续的price（回归任务），完全不需要这个步骤，保留会报错或无效。

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