我遇到了这个示例
library(mtcars)
set.seed(17)
cv.error.10 = rep(0,10)
for (i in 1:10){
glm.fit = glm(mpg∼poly(horsepower ,i),data=Auto)
cv.error.10[i] = cv.glm(Auto,glm.fit,K=10)$delta[1]
}
cv.error.10
[1] 24.21 19.19 19.31 19.34 18.88 19.02 18.90 19.71 18.95 19.50
我一直在尝试接收purrr
和modelr
。这似乎是一个很好的例子,因为它既包含循环又包含交叉验证,因此尝试复制。我如何将此代码转换为更整洁的经文?
更新
带有以下建议,这是代码在
的地方data(mtcars)
cv_mtcars = mtcars %>%
crossv_kfold(k = 5)
cv_models = cv_mtcars %>%
mutate(model = map(train, ~lm(mpg ~ hp, data = .)),
rmse_all_models = map2_dbl(model, test, ~rmse(.x, .y)))
print(cv_models)
我想做的是重复此操作,以增加hp
的多项式,例如hp^2
,hp^3
等。我猜我猜是有purr
可以做到这一点。
更新2
这是未卷入代码的示例
data(mtcars)
cv_mtcars = mtcars %>%
crossv_kfold(k = 5)
cv_models = cv_mtcars %>%
mutate(model1 = map(train, ~lm(mpg ~ hp, data = .)),
model2 = map(train, ~lm(mpg ~I(hp^2), data = .)),
model3 = map(train, ~lm(mpg ~I(hp^3), data = .)),
model4 = map(train, ~lm(mpg ~I(hp^4), data = .)),
model5 = map(train, ~lm(mpg ~I(hp^5), data = .)),
model6 = map(train, ~lm(mpg ~I(hp^6), data = .)),
rmse_all_models1 = map2_dbl(model1, test, ~rmse(.x, .y)),
rmse_all_models2 = map2_dbl(model2, test, ~rmse(.x, .y)),
rmse_all_models3 = map2_dbl(model3, test, ~rmse(.x, .y)),
rmse_all_models4 = map2_dbl(model4, test, ~rmse(.x, .y)),
rmse_all_models5 = map2_dbl(model5, test, ~rmse(.x, .y)),
rmse_all_models6 = map2_dbl(model6, test, ~rmse(.x, .y)))
print(cv_models)
我不知道mtcars库,但是如果您需要访问mtcars数据,则可以使用以下内容:
data(mtcars)
library(tidyverse)
library(modelr)
然后,您可以使用Cross_MC()
创建重新采样列表cv_mtcars = mtcars %>%
crossv_mc(n = 50)
print(cv_mtcars)
现在,您可以在重建中训练模型。火车是持有用于培训的数据框的专栏。我将mutate()用于称为模型的列(我将LM()函数(或任何其他模型)映射到数据。
cv_models = cv_mtcars %>%
mutate(model = map(train, ~lm(mpg ~ horsepower, data = .)))
print(cv_models)
您可以使用ModelR的RMSE()函数添加均方根错误:
rmse_cv = cv_models %>%
mutate(rmse_all_models = map2_dbl(model, test, ~rmse(.x, .y))) %>%
pull(rmse_all_models)
print(rmse_cv)
您可以计算所需的RMSE()的任何统计量。如果您不熟悉列表列的概念,则此代码可能会倒置。您可以在此处阅读有关列表列的更多信息:https://campus.datacamp.com/courses/exploratory-data-analysis-in-r-case-in-r-case-study/tidy-modeling-with-broom?ex-broom?ex = 10& escapeed_fragment_ =#跳板
我在公共计算机上,所以我无法尝试代码,但是它应该工作。
更新
所以我稍微误解了一个问题,这里有一些建议:
powers = seq(1:6)
create_form = function(power){
rhs = substitute(I(hp^pow), list(pow=power))
rlang::new_formula(quote(mpg), rhs)
}
此函数创建公式,然后您可以将一系列功率映射到此功能:
list_forms = map(seq(1,6), create_form)
然后将结果列表映射到lm
:
map(list_forms, lm, data=mtcars)
要将其集成到管道工作流中,您需要创建一个新功能:
train_model = function(cv_data, form){
cv_data %>%
mutate(model = map(train, ~lm(form, data = .)))
}
在一个模型上测试它:
test = train_model(cv_mtcars, list_forms[[1]])
现在在所有内容上运行:
all_models = map(list_forms, train_model, cv_data=cv_mtcars)
希望这会有所帮助。