如何在tidymodels中为交叉验证每折单独预处理以避免数据泄露？

你当前的问题在于提前对全局训练数据执行了prep()和bake()，导致交叉验证的所有折都使用了全局统计量（均值、标准差）进行预处理，这会引入数据泄露。正确的做法是让每个交叉验证折的训练子集单独生成预处理规则，再应用到对应折的测试子集。

tidymodels提供了原生的工作流（workflow）机制，可以自动完成这个过程，无需手动处理每折的拆分和预处理，代码更简洁且符合最佳实践：

修正后的代码示例 #

library(tidyverse)
library(tidymodels)

set.seed(1000)

# 数据准备与初始分割
mtcars_sub <- mtcars %>% select(mpg, hp)
init_split <- initial_split(mtcars_sub, prop = 0.9)
train_data <- training(init_split)

# 1. 定义**未提前预处理**的recipe（不要调用prep()）
preprocessing_recipe <- recipe(mpg ~ hp, data = train_data) %>%
  step_normalize(all_predictors())

# 2. 定义模型（以线性回归为例，可替换为你需要的模型）
lm_model <- linear_reg() %>%
  set_engine("lm") %>%
  set_mode("regression")

# 3. 创建workflow：整合预处理流程与模型
lm_workflow <- workflow() %>%
  add_recipe(preprocessing_recipe) %>%
  add_model(lm_model)

# 4. 对原始训练数据做交叉验证拆分（未经过预处理）
cv_folds <- vfold_cv(train_data, v = 3)

# 5. 运行交叉验证：自动为每折单独预处理
cv_results <- fit_resamples(
  object = lm_workflow,
  resamples = cv_folds,
  metrics = metric_set(rmse, rsq) # 可选：指定评估指标
)

关键说明 #

• 不要提前调用prep()：让fit_resamples()在每个交叉验证折内部自动对训练子集执行prep()，这样预处理的统计量完全基于该折的训练数据，避免泄露。
• 使用workflow整合流程：workflow会自动处理预处理与模型训练的衔接，确保每折的测试子集使用对应训练子集生成的预处理规则进行转换。
• 验证预处理效果：如果你想查看某折的预处理结果，可以用以下代码：

# 提取第一折的训练子集并应用该折的预处理规则
fold1_train <- analysis(cv_folds$splits[[1]])
fold1_recipe_prepped <- prep(preprocessing_recipe, data = fold1_train)
fold1_train_processed <- bake(fold1_recipe_prepped, new_data = fold1_train)

# 查看处理后hp的均值和标准差（应接近0和1）
fold1_train_processed %>% summarise(mean_hp = mean(hp), sd_hp = sd(hp))

为什么你的原始代码会出错？ #

你先对全局训练数据执行了prep()和bake()，再基于预处理后的数据做交叉验证拆分，这意味着每折的训练/测试子集已经用全局统计量缩放完毕，完全失去了交叉验证中"模拟真实数据流程"的意义——真实场景中你不可能用测试数据的统计量来预处理训练数据。

内容的提问来源于stack exchange，提问作者Richi W