在分组数据上使用yardstick::rmse报错且结果异常的技术咨询

我来帮你拆解这个问题的原因，以及给出正确的解决办法：

问题原因分析 #

首先得搞清楚yardstick::rmse的工作逻辑：它第一个参数必须是包含真实值和预测值列的数据框，而不是单独传递向量。

1. 第一次报错的原因：
   当你在summarise里写yardstick::rmse(truth = obs, estimate = pred)时，obs和pred被当成独立的数值向量传递给了函数，但rmse的第一个参数需要是数据框，所以会抛出no applicable method for 'rmse' applied to an object of class "c('double', 'numeric')"的错误。

2. 传入.后结果异常的原因：
   在dplyr的summarise调用中，.指代的是整个原始数据集，而不是当前分组的子数据框！所以每个分组计算时，都是用全部3行数据来算RMSE，得到的自然是同一个结果（sqrt((0+1+4)/3)≈1.29），而不是每个组自己的RMSE。

正确的解决办法 #

这里提供几种可行的方案，你可以根据习惯选择：

方案1：用cur_data()获取当前分组数据（推荐）

cur_data()是dplyr提供的函数，会返回当前分组的子数据框，正好符合rmse的参数要求：

library(yardstick)
library(dplyr)

dat <- structure(list(model = structure(1:3, .Label = c("A", "B", "C"), class = "factor"), obs = c(1, 1, 1), pred = 1:3), .Names = c("model", "obs", "pred"), row.names = c(NA, -3L), class = "data.frame")

dat %>% 
  group_by(model) %>% 
  summarise(RMSE = rmse(cur_data(), truth = obs, estimate = pred)$.estimate)

运行后会得到你预期的结果：

# A tibble: 3 × 2
  model  RMSE
  <fct> <dbl>
1 A         0
2 B         1
3 C         2

方案2：用reframe替代summarise

reframe比summarise更灵活，可以直接处理rmse返回的tibble结果：

dat %>% 
  group_by(model) %>% 
  reframe(rmse(., truth = obs, estimate = pred)) %>% 
  select(model, RMSE = .estimate)

方案3：直接手动计算RMSE（简单直观）

如果不需要依赖yardstick包，直接用基础公式计算反而更直接：

dat %>% 
  group_by(model) %>% 
  summarise(RMSE = sqrt(mean((obs - pred)^2)))

总结 #

yardstick的metric函数都是面向数据框设计的，在分组操作时一定要确保传递给它的是当前分组的子数据框，而不是整个数据集或单独的向量。用cur_data()或者reframe都能很好地解决这个问题，当然手动计算也是个不错的选择。

内容的提问来源于stack exchange，提问作者markus