3 min read

"技术:建模流程实战

"技术 系列导航

1 "技术:Poisson分布、回归Python实现 2017-12-20
2 "技术:beta系数理解 2017-12-21
3 "技术:Python List剔除重复值 2017-12-21
4 "技术:t-SNE处理高维数据可视化 2017-12-21
5 "技术:用R语言进行文件系统管理 2017-12-21
6 "技术:fct_lump分箱使用方法 2017-12-22
7 "技术:F1分数为什么可以看不平衡样本的预测能力 2017-12-27
8 "技术:Fisher的一个矩阵预算 2017-12-27
9 "技术:case_when使用方法 2017-12-28
10 "技术:Python接口函数 2017-12-28
11 "技术:fct_relevel调整对照组,批量的方案 2017-12-30
12 "技术:python中变量批量处理集成方案 2017-12-30
13 "技术:Python接口函数-中台 2018-01-03
14 "技术:使用pbd包进行debug 2018-01-03
15 "技术:R实现随机分组 2018-01-04
16 "技术:jiebaR包做文本清洗 2018-01-05
17 "技术:r_WACC使用说明 2018-01-05
18 "技术:使用switchhost安装host 2018-01-05
19 "技术:Git的下载问题 2018-01-06
20 "技术:新闻爬虫 2018-01-07
21 "技术:Scalable Data Processing in R 2018-01-08
22 "技术:使用git创建一个自己的本地仓库 2018-01-11
23 "技术:dashboard构建,来自yihui的包 2018-01-12
24 "技术:最大似然估计再理解 2018-01-12
25 "技术:itchat包提取微信好友公开数据 2018-01-13
26 "技术:do函数和biglm包 2018-01-17
27 "技术:Imputer后X少了一列 2018-01-18
28 "技术:mac连接mysql,理论上win7也可以 2018-01-19
29 "技术:ggpubr提高作图效率 2018-01-20
30 "技术:t-SNE理论部分补充 2018-01-22
31 "技术:RMarkdown的使用技巧 2018-01-30
32 "技术:通过anova检验,理解R2、R_adj.2、F值 2018-01-31
33 "技术:ggridges 山峦图 学习笔记 2018-02-02
34 "技术:Tidyverse使用技巧 2018-02-02
35 "技术:XGBoost 学习笔记 2018-02-02
36 "技术:分布变离散,或者纠正skew 2018-02-02
37 "技术:rsq在R中自定义函数 2018-02-03
38 "技术:Jupyter实战 2018-02-13
39 "技术:美化与定制 2018-02-21
40 "技术:数据对比可视化指南 2018-02-22
41 "技术:功能体验 2018-02-26
42 "技术:高效数据处理 2018-02-27
43 "技术:模型优化技巧 2018-03-05
44 "技术:原理与应用 2018-03-06
45 "技术:模型与可视化 2018-03-08
46 "技术:美化与交互指南 2018-03-11
47 "技术:高效操作指南 2018-03-14
48 "技术:用法与优化技巧 2018-03-17
49 "技术:效率提升指南 2018-03-18
50 "技术:问题排查技巧 2018-03-18
51 "技术:高效操作指南 2018-03-19
52 "技术:方法与代码示例 2018-03-21
53 "技术:进阶技巧与优化 2018-03-21
54 "技术:实战示例 2018-03-22
55 "技术:效率与规范指南 2018-03-24
56 "技术:dplython包测评 2018-03-25
57 "技术:原理与实现 2018-04-02
58 "技术:原理与应用解析 2018-04-03
59 "技术:实战指南 2018-04-05
60 "技术:核心语法与函数整理 2018-04-05
61 "技术:复利计算与应用 2018-04-08
62 "技术:简单规则模型解析 2018-04-14
63 "技术:高效代码设计指南 2018-04-25
64 "技术:原理与应用学习笔记 2018-04-29
65 "技术:实战指南 2018-04-29
66 "技术:原理与应用 2018-05-01
67 "技术:表格格式化指南 2018-05-02
68 "技术:原理与应用介绍 2018-05-08
69 "技术:高效文本拼接 2018-05-11
70 "技术:方法与实践学习笔记 2018-05-12
71 "技术:方法与工具 2018-05-12
72 "技术:功能解析 2018-05-17
73 "技术:高效数据输入 2018-05-21
74 "技术:基础模型与方法 2018-05-22
75 "技术:功能与使用体验 2018-05-26
76 "技术:特征筛选学习笔记 2018-05-29
77 "技术:实战技巧 2018-05-30
78 "技术:建模思路解析 2018-06-03
79 "技术:策略与实战 2018-06-03
80 "技术:数据展示指南 2018-06-04
81 "技术:包与环境配置指南 2018-07-14
82 "技术:高效操作指南 2018-07-19
83 "技术:方法与案例解析 2018-07-24
84 "技术:统计建模学习笔记 2018-07-24
85 "技术:展示技巧与原则 2018-08-10
86 "技术:数据采集实战技巧 2018-08-21
87 "技术:指标设计学习笔记 2018-09-20
88 "技术:大规模数据探索 2018-10-20
89 "技术:文本提取与分析 2018-10-20
90 "技术:原理与R实现实战 2018-10-21
91 "技术:学习资源获取技巧 2018-10-23
92 "技术:深度学习模型实战 2018-10-24
93 "技术:实战指南 2018-10-30
94 "技术:分析与展示指南 2018-11-03
95 "技术:图片编辑与转换 2018-11-03
96 "技术:安装与使用基础学习笔记 2018-11-07
97 "技术:非结构化数据处理 2018-11-29
98 "技术:表格美化技巧 2018-12-13
99 "技术:分类数据可视化 2018-12-24
100 "技术:流程图绘制技巧 2018-12-24
101 "技术:自动化设置 2018-12-28
102 "技术:协作与版本控制 2018-12-29
103 "技术:pipeline设计 2018-12-30
104 "技术:Git历史记录清理 2018-12-31
105 "技术:AUC指标对比 2019-01-01
106 "技术:时间序列可视化 2019-01-01
107 "技术:变量命名工具指南 2019-01-02
108 "技术:网页自动化截图 2019-01-02
109 "技术:配置与优化 2019-01-03
110 "技术:原理与应用 2019-01-07
111 "技术:语法与核心概念 2019-01-14
112 "技术:R包徽章设计 2019-01-15
113 "技术:项目结构设计 2019-01-21
114 "技术:文本分类基础任务 2019-01-22
115 "技术:线性与非线性模型 2019-01-22
116 "技术:有效性验证 2019-01-27
117 "技术:评估与应用 2019-01-29
118 "技术:循环神经网络入门 2019-01-30
119 "技术:长短期记忆网络入门 2019-01-30
120 "技术:for循环示例 2019-02-03
121 "技术:基础到进阶 2019-02-06
122 "技术:查询与整合 2019-02-06
123 "技术:方法与案例 2019-02-14
124 "技术:R包高效开发指南 2019-02-20
125 "技术:解析与操作 2019-02-20
126 "技术:训练与预测 2019-02-25
127 "技术:原理与代码 2019-02-26
128 "技术:GitHub个人访问令牌(PAT)设置 2019-03-04
129 "技术:方法与工具 2019-03-07
130 "技术:文本特征提取示例 2019-03-08
131 "技术:基础任务示例 2019-03-18
132 "技术:条形图与表头设计 2019-03-20
133 "技术:连续与分类变量差异 2019-03-30
134 "技术:思路与方法 2019-04-08
135 "技术:方法与工具 2019-04-15
136 "技术:多格式读取 2019-04-16
137 "技术:方法与工具 2019-05-11
138 "技术:Git/GitHub/GitLab 2019-05-13
139 "技术:命令与操作 2019-05-19
140 "技术:协作与版本控制 2019-05-26
141 "技术:语法与实践 2019-06-28
142 "技术:功能与API 2019-07-13
143 "技术:安装与使用 2019-07-24
144 "技术:高效数据处理 2019-10-09
145 "技术:性能优化技巧 2019-10-12
146 "技术:配置与运维 2019-10-29
147 "技术:原理与经典模型 2019-12-25
148 "技术:构建到发布流程 2019-12-26
149 "技术:方法与案例 2019-12-27
150 "技术:命令与自动化 2019-12-30
151 "技术:Pandas数据处理实战指南 2020-01-19
152 "技术:特征工程之目标编码学习笔记 2020-01-20
153 "技术:文档编写与美化 2020-01-28
154 "技术:核心算法与应用 2020-01-29
155 "技术:流程图绘制技巧 2020-01-29
156 "技术:DataCamp课程笔记 2020-01-31
157 "技术:Python实用代码片段合集 2020-01-31
158 "技术:自动化构建流程 2020-02-02
159 "技术:自动化工作流配置 2020-02-04
160 "技术:高效查找代码与项目 2020-02-11
161 "技术:代码环境快速部署 2020-02-24
162 "技术:USD数据分析论文收录暨GitBook发布 2020-05-02
163 "技术:Causal Forest 2021-03-18

{r setup, include=FALSE} knitr::opts_chunk$set(eval = FALSE)

<script type="text/javascript" src="https://cdnjs.cloudflare.com/ajax/libs/mathjax/2.7.1/MathJax.js?config=TeX-AMS-MML_HTMLorMML">
</script>

本文于r format(Sys.Date(), "%Y-%m-%d")更新。 如发现问题或者有建议,欢迎提交 Issue

{r} library(dlstats) rsample_download_data <- cran_stats(c('rsample','recipes')) library(tidyverse) library(lubridate) rsample_download_data %>% filter(end < floor_date(now(),unit = 'month')) %>% ggplot(aes(end,downloads)) + geom_line() + facet_wrap(~package,scales = 'free_y') + theme_bw() + labs(title = "tidymodel package's downlaod increases by month.")

rsample

Cross Validation

bootstraps函数增加内存很少,如以下这个Github例子。

{r} library(rsample) library(mlbench) # 提取数据 LetterRecognition library(pryr) # 使用函数 object_size data(LetterRecognition) object_size(LetterRecognition) set.seed(35222) boots <- bootstraps(LetterRecognition, times = 50) object_size(boots) boots %>% head as.numeric(object_size(boots)/object_size(LetterRecognition))

splits需要加一个as.data.frame

{r} bootstraps(mtcars,times=2) %>% .$splits %>% .[1] %>% as.data.frame()

数据预处理

The recipes package contains a data preprocessor that can be used to avoid the potentially expensive formula methods as well as providing a richer set of data manipulation tools than base R can provide. [@KuhnRecipes]

recipes包主要是为了

  1. 避免花大量时间构建模型和
  2. 提高很多数据处理的方式

我认为后面一个是非常方便的。

  1. signal extraction using principal component analysis
  2. imputation of missing values
  3. transformations of individual variables (e.g. Box-Cox transformations) [@KuhnRecipes]

recipes包的函数可以对x变量的进行修正,这里进行举例。

{r} library(AmesHousing) ames <- make_ames() names(ames)

{r} log10(Sale_Price) ~ Neighborhood + House_Style + Year_Sold + Lot_Area

{r} library(ggplot2) theme_set(theme_bw()) ggplot(ames, aes(x = Lot_Area)) + geom_histogram(binwidth = 5000, col = "red", fill ="red", alpha = .5)

  1. theme_bw() 这个图看起来很不错。
  2. 有很常见的右偏,可以使用 Box-Cox 方式进行修正。

{r} ggplot(ames, aes(x = Neighborhood)) + geom_bar() + coord_flip() + xlab("")

  1. 可以发现,有些频率小的level,最后都要剔除。

根据以上问题,下面继续数据处理。

```{r message=FALSE, warning=FALSE} library(recipes)

rec <- recipe(Sale_Price ~ Neighborhood + House_Style + Year_Sold + Lot_Area, data = ames) %>% # Log the outcome step_log(Sale_Price, base = 10) %>% # Collapse rarely occurring jobs into “other step_other(Neighborhood, House_Style, threshold = 0.05) %>% # Dummy variables on the qualitative predictors step_dummy(all_nominal()) %>% # 相当于一键 one-hot # Unskew a predictor step_BoxCox(Lot_Area) %>% # Normalize step_center(all_predictors()) %>% step_scale(all_predictors()) rec

1. `recipe(,...,data=)`这样会更直接,定义好模型,但是先不定义算法类型,跟符合现实逻辑。
1. `step_other(threshold = )`让低频率的并入,这样就可以保证无论之后,开发集产生unknown的level几率会非常小。
1. `step_BoxCox`转换成unskew的。
1. `step_center`和`step_scale`进行标准化。

>
While the original data object `ames` is used in the call, it is only used to define the variables and their characteristics so a single recipe is valid across all resampled versions of the data. The recipe can be estimated on the analysis component of the resample.
[@KuhnRecipes]

这里解决了一个实际问题。

`recipe`函数中虽然使用了数据`ames`,但是只是用来定义变量和变量的特性,因此`recipe`反馈的规则可以应用到其他的数据集或者resample上。
这点就解决了测试集需要统一的问题。

```
rec_training_set <- prep(rec, training = ames, retain = TRUE, verbose = TRUE)
rec_training_set

prep函数是对某一个数据执行规则的意思。

{r} bake(rec_training_set, newdata = head(ames)) ames %>% head %>% select(Neighborhood,House_Style,Year_Sold,Lot_Area)

  1. bake反馈到处理结果到newdata上。相当于predict
  2. 并且NeighborhoodHouse_Style进行了one-hot

{r} juice(rec_training_set) %>% head

  1. juice相当于fitted

整合进模型训练

{r} library(rsample) set.seed(7712) bt_samples <- bootstraps(ames) bt_samples

{r} bt_samples$splits[[1]]

这是切分点的选取。

```{r} library(purrr)

bt_samples$recipes <- map(bt_samples$splits, prepper, recipe = rec, retain = TRUE, verbose = FALSE) bt_samples

只要`rec`定义好整个函数是很好理解的。

```
bt_samples$recipes[[1]]

prepperprep的替代品,主要是为了对split的函数,进行执行变量和变量特性的修改。

```{r} fit_lm <- function(rec_obj, …) lm(…, data = juice(rec_obj, everything()))

bt_samples$lm_mod <- map( bt_samples$recipes, fit_lm, Sale_Price ~ . ) bt_samples

学习`fit_lm`的函数中`...`的构建和位置。

```
pred_lm <- function(split_obj, rec_obj, model_obj, ...) {
  mod_data <- bake(
    rec_obj, 
    newdata = assessment(split_obj),
    all_predictors(),
    all_outcomes()
  ) 
  
  out <- mod_data %>% select(Sale_Price)
  out$predicted <- predict(model_obj, newdata = mod_data %>% select(-Sale_Price))
  out
}

bt_samples$pred <- 
  pmap(
    lst(
      split_obj = bt_samples$splits, 
      rec_obj = bt_samples$recipes, 
      model_obj = bt_samples$lm_mod
    ),
    pred_lm 
  )
bt_samples

{r} rmse <- function(dat) sqrt(mean((dat$Sale_Price - dat$predicted)^2)) bt_samples$RMSE <- map_dbl(bt_samples$pred, rmse) summary(bt_samples$RMSE)

"技术 系列导航

1 "技术:Poisson分布、回归Python实现 2017-12-20
2 "技术:beta系数理解 2017-12-21
3 "技术:Python List剔除重复值 2017-12-21
4 "技术:t-SNE处理高维数据可视化 2017-12-21
5 "技术:用R语言进行文件系统管理 2017-12-21
6 "技术:fct_lump分箱使用方法 2017-12-22
7 "技术:F1分数为什么可以看不平衡样本的预测能力 2017-12-27
8 "技术:Fisher的一个矩阵预算 2017-12-27
9 "技术:case_when使用方法 2017-12-28
10 "技术:Python接口函数 2017-12-28
11 "技术:fct_relevel调整对照组,批量的方案 2017-12-30
12 "技术:python中变量批量处理集成方案 2017-12-30
13 "技术:Python接口函数-中台 2018-01-03
14 "技术:使用pbd包进行debug 2018-01-03
15 "技术:R实现随机分组 2018-01-04
16 "技术:jiebaR包做文本清洗 2018-01-05
17 "技术:r_WACC使用说明 2018-01-05
18 "技术:使用switchhost安装host 2018-01-05
19 "技术:Git的下载问题 2018-01-06
20 "技术:新闻爬虫 2018-01-07
21 "技术:Scalable Data Processing in R 2018-01-08
22 "技术:使用git创建一个自己的本地仓库 2018-01-11
23 "技术:dashboard构建,来自yihui的包 2018-01-12
24 "技术:最大似然估计再理解 2018-01-12
25 "技术:itchat包提取微信好友公开数据 2018-01-13
26 "技术:do函数和biglm包 2018-01-17
27 "技术:Imputer后X少了一列 2018-01-18
28 "技术:mac连接mysql,理论上win7也可以 2018-01-19
29 "技术:ggpubr提高作图效率 2018-01-20
30 "技术:t-SNE理论部分补充 2018-01-22
31 "技术:RMarkdown的使用技巧 2018-01-30
32 "技术:通过anova检验,理解R2、R_adj.2、F值 2018-01-31
33 "技术:ggridges 山峦图 学习笔记 2018-02-02
34 "技术:Tidyverse使用技巧 2018-02-02
35 "技术:XGBoost 学习笔记 2018-02-02
36 "技术:分布变离散,或者纠正skew 2018-02-02
37 "技术:rsq在R中自定义函数 2018-02-03
38 "技术:Jupyter实战 2018-02-13
39 "技术:美化与定制 2018-02-21
40 "技术:数据对比可视化指南 2018-02-22
41 "技术:功能体验 2018-02-26
42 "技术:高效数据处理 2018-02-27
43 "技术:模型优化技巧 2018-03-05
44 "技术:原理与应用 2018-03-06
45 "技术:模型与可视化 2018-03-08
46 "技术:美化与交互指南 2018-03-11
47 "技术:高效操作指南 2018-03-14
48 "技术:用法与优化技巧 2018-03-17
49 "技术:效率提升指南 2018-03-18
50 "技术:问题排查技巧 2018-03-18
51 "技术:高效操作指南 2018-03-19
52 "技术:方法与代码示例 2018-03-21
53 "技术:进阶技巧与优化 2018-03-21
54 "技术:实战示例 2018-03-22
55 "技术:效率与规范指南 2018-03-24
56 "技术:dplython包测评 2018-03-25
57 "技术:原理与实现 2018-04-02
58 "技术:原理与应用解析 2018-04-03
59 "技术:实战指南 2018-04-05
60 "技术:核心语法与函数整理 2018-04-05
61 "技术:复利计算与应用 2018-04-08
62 "技术:简单规则模型解析 2018-04-14
63 "技术:高效代码设计指南 2018-04-25
64 "技术:原理与应用学习笔记 2018-04-29
65 "技术:实战指南 2018-04-29
66 "技术:原理与应用 2018-05-01
67 "技术:表格格式化指南 2018-05-02
68 "技术:原理与应用介绍 2018-05-08
69 "技术:高效文本拼接 2018-05-11
70 "技术:方法与实践学习笔记 2018-05-12
71 "技术:方法与工具 2018-05-12
72 "技术:功能解析 2018-05-17
73 "技术:高效数据输入 2018-05-21
74 "技术:基础模型与方法 2018-05-22
75 "技术:功能与使用体验 2018-05-26
76 "技术:特征筛选学习笔记 2018-05-29
77 "技术:实战技巧 2018-05-30
78 "技术:建模思路解析 2018-06-03
79 "技术:策略与实战 2018-06-03
80 "技术:数据展示指南 2018-06-04
81 "技术:包与环境配置指南 2018-07-14
82 "技术:高效操作指南 2018-07-19
83 "技术:方法与案例解析 2018-07-24
84 "技术:统计建模学习笔记 2018-07-24
85 "技术:展示技巧与原则 2018-08-10
86 "技术:数据采集实战技巧 2018-08-21
87 "技术:指标设计学习笔记 2018-09-20
88 "技术:大规模数据探索 2018-10-20
89 "技术:文本提取与分析 2018-10-20
90 "技术:原理与R实现实战 2018-10-21
91 "技术:学习资源获取技巧 2018-10-23
92 "技术:深度学习模型实战 2018-10-24
93 "技术:实战指南 2018-10-30
94 "技术:分析与展示指南 2018-11-03
95 "技术:图片编辑与转换 2018-11-03
96 "技术:安装与使用基础学习笔记 2018-11-07
97 "技术:非结构化数据处理 2018-11-29
98 "技术:表格美化技巧 2018-12-13
99 "技术:分类数据可视化 2018-12-24
100 "技术:流程图绘制技巧 2018-12-24
101 "技术:自动化设置 2018-12-28
102 "技术:协作与版本控制 2018-12-29
103 "技术:pipeline设计 2018-12-30
104 "技术:Git历史记录清理 2018-12-31
105 "技术:AUC指标对比 2019-01-01
106 "技术:时间序列可视化 2019-01-01
107 "技术:变量命名工具指南 2019-01-02
108 "技术:网页自动化截图 2019-01-02
109 "技术:配置与优化 2019-01-03
110 "技术:原理与应用 2019-01-07
111 "技术:语法与核心概念 2019-01-14
112 "技术:R包徽章设计 2019-01-15
113 "技术:项目结构设计 2019-01-21
114 "技术:文本分类基础任务 2019-01-22
115 "技术:线性与非线性模型 2019-01-22
116 "技术:有效性验证 2019-01-27
117 "技术:评估与应用 2019-01-29
118 "技术:循环神经网络入门 2019-01-30
119 "技术:长短期记忆网络入门 2019-01-30
120 "技术:for循环示例 2019-02-03
121 "技术:基础到进阶 2019-02-06
122 "技术:查询与整合 2019-02-06
123 "技术:方法与案例 2019-02-14
124 "技术:R包高效开发指南 2019-02-20
125 "技术:解析与操作 2019-02-20
126 "技术:训练与预测 2019-02-25
127 "技术:原理与代码 2019-02-26
128 "技术:GitHub个人访问令牌(PAT)设置 2019-03-04
129 "技术:方法与工具 2019-03-07
130 "技术:文本特征提取示例 2019-03-08
131 "技术:基础任务示例 2019-03-18
132 "技术:条形图与表头设计 2019-03-20
133 "技术:连续与分类变量差异 2019-03-30
134 "技术:思路与方法 2019-04-08
135 "技术:方法与工具 2019-04-15
136 "技术:多格式读取 2019-04-16
137 "技术:方法与工具 2019-05-11
138 "技术:Git/GitHub/GitLab 2019-05-13
139 "技术:命令与操作 2019-05-19
140 "技术:协作与版本控制 2019-05-26
141 "技术:语法与实践 2019-06-28
142 "技术:功能与API 2019-07-13
143 "技术:安装与使用 2019-07-24
144 "技术:高效数据处理 2019-10-09
145 "技术:性能优化技巧 2019-10-12
146 "技术:配置与运维 2019-10-29
147 "技术:原理与经典模型 2019-12-25
148 "技术:构建到发布流程 2019-12-26
149 "技术:方法与案例 2019-12-27
150 "技术:命令与自动化 2019-12-30
151 "技术:Pandas数据处理实战指南 2020-01-19
152 "技术:特征工程之目标编码学习笔记 2020-01-20
153 "技术:文档编写与美化 2020-01-28
154 "技术:核心算法与应用 2020-01-29
155 "技术:流程图绘制技巧 2020-01-29
156 "技术:DataCamp课程笔记 2020-01-31
157 "技术:Python实用代码片段合集 2020-01-31
158 "技术:自动化构建流程 2020-02-02
159 "技术:自动化工作流配置 2020-02-04
160 "技术:高效查找代码与项目 2020-02-11
161 "技术:代码环境快速部署 2020-02-24
162 "技术:USD数据分析论文收录暨GitBook发布 2020-05-02
163 "技术:Causal Forest 2021-03-18