使用tidymodels构建XGBoost的Recipe时报unused argument (values)错误

错误完全来自step_dummy()的参数写法错误：

• all_nominal()是tidyselect的类型选择器，本身不支持传入列名作为参数，你直接在括号内写values相当于传递了不存在的入参，因此直接抛出unused argument (values)报错。
• 额外逻辑问题：你的数据集仅包含values（数值型因变量）和dates（日期格式列）两列，没有名义型分类变量，完全不需要调用step_dummy()做独热编码。如果是想把日期转为模型可接受的特征，应该使用时间序列专用的特征衍生步骤。

根据你的实际需求二选一即可：

场景1：仅保留基础配方结构，不需要额外特征处理 #

直接删除错误的step_dummy()行：

basic_rec <- recipe(values ~ ., data = data_train) 
basic_rec %>% prep()

运行后无报错，配方会直接保留日期列作为输入。

场景2：需要衍生时间特征适配XGBoost训练 #

XGBoost无法直接处理日期格式，需要先拆分出年、月、季度等时间特征，正确写法如下：

basic_rec <- recipe(values ~ ., data = data_train)  %>%
  # 从日期列衍生全量时间特征
  step_timeseries_signature(dates) %>%
  # 清理时间序列场景下无用的冗余特征（可选）
  step_rm(matches("(iso)|(xts)|(hour)|(minute)|(second)|(am.pm)")) %>%
  # 可选：对衍生出的名义型预测特征做独热编码，XGBoost也支持直接输入整数型分类特征，可按需省略该步
  step_dummy(all_nominal_predictors())

basic_rec %>% prep() %>% juice()

运行后输出的特征可直接用于后续XGBoost调优训练。

• 拉丁超立方采样搜索超参数时，建议先收敛参数取值范围，避免出现极限值导致训练异常中断。
• 时间序列交叉验证的切片数量建议根据数据长度调整，避免训练集样本量不足导致模型拟合失效。

内容的提问来源于stack exchange，提问作者LGe