1

有人可以告诉我如何在整洁的建模框架中生成基于排列的变量内插吗？目前，我有这个：

library(tidymodels)

# variable importance
final_fit_train %>%
  pull_workflow_fit() %>%
  vip(geom = "point",
      aesthetics = list(color = cbPalette[4],
                        fill = cbPalette[4])) +
  THEME +
  ggtitle("Elastic Net")

这会产生：

在此处输入图像描述

但是，我想要这样的东西

在此处输入图像描述

我不清楚这个相当新的整洁建模框架如何与当前的 VIP 包集成。任何可以提供帮助的人。谢谢！

https://koalaverse.github.io/vip/articles/vip.html（VIP包的API）。

4

1 回答 1

2

要使用置换计算变量重要性，与使用模型相关变量重要性相比，您只需将几部分放在一起即可。

让我们看一个 SVM 模型的示例，它没有模型相关变量的重要性得分。

library(tidymodels)
#> ── Attaching packages ──────────────────────── tidymodels 0.1.1 ──
#> ✓ broom     0.7.0      ✓ recipes   0.1.13
#> ✓ dials     0.0.8      ✓ rsample   0.0.7 
#> ✓ dplyr     1.0.0      ✓ tibble    3.0.3 
#> ✓ ggplot2   3.3.2      ✓ tidyr     1.1.0 
#> ✓ infer     0.5.3      ✓ tune      0.1.1 
#> ✓ modeldata 0.0.2      ✓ workflows 0.1.2 
#> ✓ parsnip   0.1.2      ✓ yardstick 0.0.7 
#> ✓ purrr     0.3.4
#> ── Conflicts ─────────────────────────── tidymodels_conflicts() ──
#> x purrr::discard() masks scales::discard()
#> x dplyr::filter()  masks stats::filter()
#> x dplyr::lag()     masks stats::lag()
#> x recipes::step()  masks stats::step()

data("hpc_data")

svm_spec <- svm_poly(degree = 1, cost = 1/4) %>%
  set_engine("kernlab") %>%
  set_mode("regression")

svm_fit <- workflow() %>%
  add_model(svm_spec) %>%
  add_formula(compounds ~ .) %>%
  fit(hpc_data)

svm_fit
#> ══ Workflow [trained] ════════════════════════════════════════════
#> Preprocessor: Formula
#> Model: svm_poly()
#> 
#> ── Preprocessor ──────────────────────────────────────────────────
#> compounds ~ .
#> 
#> ── Model ─────────────────────────────────────────────────────────
#> Support Vector Machine object of class "ksvm" 
#> 
#> SV type: eps-svr  (regression) 
#>  parameter : epsilon = 0.1  cost C = 0.25 
#> 
#> Polynomial kernel function. 
#>  Hyperparameters : degree =  1  scale =  1  offset =  1 
#> 
#> Number of Support Vectors : 2827 
#> 
#> Objective Function Value : -284.7255 
#> Training error : 0.835421

我们的模型现在已经训练好了，因此可以计算变量的重要性了。注意几个步骤：

  • 您pull()将拟合的模型对象排除在工作流之外。
  • 您必须指定目标/结果变量compounds.
  • 在这种情况下，我们需要同时传递原始训练数据（在此处使用训练数据，而不是测试数据）和正确的基础函数进行预测（这在某些情况下可能很难弄清楚，但对于大多数包来说只是predict()）。
library(vip)
#> 
#> Attaching package: 'vip'
#> The following object is masked from 'package:utils':
#> 
#>     vi
svm_fit %>%
  pull_workflow_fit() %>%
  vip(method = "permute", 
      target = "compounds", metric = "rsquared",
      pred_wrapper = kernlab::predict, train = hpc_data)

由reprex 包于 2020-07-17 创建(v0.3.0)

您可以nsim在此处增加以多次执行此操作。

于 2020-07-17T22:28:22.330 回答