28 模型工作流

library(tidyverse)
library(tidymodels)
tidymodels::tidymodels_prefer()

data(ames)
ames <- ames |>
  mutate(Sale_Price = log10(Sale_Price))

set.seed(502)
ames_split <- initial_split(ames, prop = 0.80, strata = Sale_Price)
ames_train <- training(ames_split)
ames_test <- testing(ames_split)

lm_model <- linear_reg() |>
  set_engine("lm")

workflow中的workflow()对象的目的是为了将建模过程中的主要步骤 (图 28.1) 进行整合。

workflow()的重要性体现在将数据预处理和模型拟合整合在一起，保证了预处理正确性和流程一致性。
- 防止数据泄露：预处理步骤（标准化、PCA、插补等）随 workflow 进入每折重采样，每折单独估计均值/方差，而不是用全训练集的统计量——这是手工流程最容易犯的错。
- 统一接口：同一个 workflow 对象贯穿全程：tune_grid() → tune_bayes() → select_best() → finalize_workflow() → last_fit() → extract_workflow()，无需中途手动拼装。
- 预处理与模型紧密结合：调参时评估的是预处理 + 模型的组合表现；换 recipe 或换模型只改一处，不会出现预处理对了模型忘了改的不一致。
- 可复现、可部署：整个workflow是一个可序列化对象，生产环境直接使用predict(workflow_obj, new_data)，新数据自动走同样的预处理。

workflow 是 tidymodels 保证“预处理正确性”和“流程一致性”的载体，没有它，重采样和调参的正确性都无从谈起。

28.1 workflow基础

lm_wflow <- workflow() |>
  add_model(lm_model)
lm_wflow

══ Workflow ════════════════════════════════════════════════════════════════════
Preprocessor: None
Model: linear_reg()

── Model ───────────────────────────────────────────────────────────────────────
Linear Regression Model Specification (regression)

Computational engine: lm

lm_wwflow就是一个基本的workflow对象，此对象中包含了Model(模型)，但还未包含任何预处理步骤：Preprocessor: None。

lm_wflow <- lm_wflow |>
  add_formula(Sale_Price ~ Longitude + Latitude) # 使用公式作为预处理器
lm_wflow

══ Workflow ════════════════════════════════════════════════════════════════════
Preprocessor: Formula
Model: linear_reg()

── Preprocessor ────────────────────────────────────────────────────────────────
Sale_Price ~ Longitude + Latitude

── Model ───────────────────────────────────────────────────────────────────────
Linear Regression Model Specification (regression)

Computational engine: lm

再添加了预处理器后，就可以使用fit()函数对模型进行拟合，并进行下一步的预测。注意，拟合模型需要使用训练数据集，预测则需要使用测试集。

# fit
lm_fit <- fit(lm_wflow, ames_train)
lm_fit

══ Workflow [trained] ══════════════════════════════════════════════════════════
Preprocessor: Formula
Model: linear_reg()

── Preprocessor ────────────────────────────────────────────────────────────────
Sale_Price ~ Longitude + Latitude

── Model ───────────────────────────────────────────────────────────────────────

Call:
stats::lm(formula = ..y ~ ., data = data)

Coefficients:
(Intercept)    Longitude     Latitude  
   -302.974       -2.075        2.710

# predict
predict(lm_fit, new_data = ames_test) |>
  tidy()

# A tibble: 1 × 13
  column     n  mean     sd median trimmed    mad   min   max range   skew
  <chr>  <dbl> <dbl>  <dbl>  <dbl>   <dbl>  <dbl> <dbl> <dbl> <dbl>  <dbl>
1 .pred    588  5.22 0.0710   5.24    5.23 0.0476  5.01  5.33 0.316 -0.950
# ℹ 2 more variables: kurtosis <dbl>, se <dbl>

lm_fit的输出结果显示Workflow [trained]，表示已经完成训练。

提示

可以使用update_formula()公式对workflow()中的预处理公式进行变更。
在章节 29 中，会介绍如何将更丰富的预处理步骤添加至workflow中。

28.1.1 workflow中使用特殊公式和行内公式

针对比较复杂的公式，例如Sex + (age | Subject)，在R无法正确识别的问题，workflow包采用如下解决的方式：

使用add_variables()函数将原始变量传入模型。
使用add_model()使用实际的公式。
以上方式相当于使用了一个辅助公式对原始变量进行预处理。

library(multilevelmod) # 加载多层线性模型包
library(nlme) # 加载nlme包，使用Orthodont数据集

multilevel_spec <- linear_reg() |>
  set_engine("lmer") # 设置多层线性模型的引擎为lmer

multilevel_wflow <- workflow() |>
  add_variables(outcome = distance, predictors = c(Sex, age, Subject)) |>
  add_model(multilevel_spec, formula = distance ~ Sex + (age | Subject))

multilevel_fit <- fit(multilevel_wflow, data = Orthodont)
multilevel_fit

══ Workflow [trained] ══════════════════════════════════════════════════════════
Preprocessor: Variables
Model: linear_reg()

── Preprocessor ────────────────────────────────────────────────────────────────
Outcomes: distance
Predictors: c(Sex, age, Subject)

── Model ───────────────────────────────────────────────────────────────────────
Linear mixed model fit by REML ['lmerMod']
Formula: distance ~ Sex + (age | Subject)
   Data: data
REML criterion at convergence: 471.1635
Random effects:
 Groups   Name        Std.Dev. Corr  
 Subject  (Intercept) 7.3912         
          age         0.6943   -0.97 
 Residual             1.3100         
Number of obs: 108, groups:  Subject, 27
Fixed Effects:
(Intercept)    SexFemale  
     24.517       -2.145

28.2 同时创建多个workflow

workflowsets 是tidymodels的重要工具，特别适合“比较多种预处理 × 多种模型”的场景，是 tidymodels 里做「模型选择」的核心组织方式。可以让我们让一次管理、评估和对比多个候选 workflow，避免重复代码和管理混乱。

workflowsets还会和重抽样一起使用，将在章节 39 中进行详细讨论。

例如，我们想了解ames数据集中房屋位置对价格的影响：

# 创建多个房屋位置变量公式
location <- list(
  longitude = Sale_Price ~ Longitude,
  latitude = Sale_Price ~ Latitude,
  coords = Sale_Price ~ Longitude + Latitude,
  neighborhood = Sale_Price ~ Neighborhood
)

# 使用workflow_sets()将location中不用的位置变量公式组合
library(workflowsets)
location_models <- workflow_set(
  preproc = location,
  models = list(lm = lm_model)
)
location_models

# A workflow set/tibble: 4 × 4
  wflow_id        info             option    result    
  <chr>           <list>           <list>    <list>    
1 longitude_lm    <tibble [1 × 4]> <opts[0]> <list [0]>
2 latitude_lm     <tibble [1 × 4]> <opts[0]> <list [0]>
3 coords_lm       <tibble [1 × 4]> <opts[0]> <list [0]>
4 neighborhood_lm <tibble [1 × 4]> <opts[0]> <list [0]>

location_models$info[[1]] # 看的是"这个组合用了什么"的摘要。

# A tibble: 1 × 4
  workflow   preproc model      comment
  <list>     <chr>   <chr>      <chr>  
1 <workflow> formula linear_reg ""

extract_workflow(location_models, id = "coords_lm") # 提取id为`corrds_lm"的workflow。

══ Workflow ════════════════════════════════════════════════════════════════════
Preprocessor: Formula
Model: linear_reg()

── Preprocessor ────────────────────────────────────────────────────────────────
Sale_Price ~ Longitude + Latitude

── Model ───────────────────────────────────────────────────────────────────────
Linear Regression Model Specification (regression)

Computational engine: lm

我们将在 (set-comcomparing-models?) 中介绍更多关于workflowsets的详细用法和优势。

28.3 使用测试集评估模型

如果我们已经完成了模型的开发并确定了最终模型，就可以使用last_fit()函数在测试集上评估模型的性能。last_fit()函数会使用训练集拟合模型，并在测试集上进行预测和评估。

last_fit()函数使用数据划分对象作为输入，而不是使用数据框。该函数允许我们在不重复代码的情况下，使用数据划分对象生成用于最终拟合和评估的训练集和测试集，对多个模型进行统一的评估和比较。

final_lm_res <- last_fit(lm_wflow, ames_split)
final_lm_res

# Resampling results
# Manual resampling 
# A tibble: 1 × 6
  splits             id               .metrics .notes   .predictions .workflow 
  <list>             <chr>            <list>   <list>   <list>       <list>    
1 <split [2342/588]> train/test split <tibble> <tibble> <tibble>     <workflow>

fitted_lm_wflow <- extract_workflow(final_lm_res) # 提取最终拟合的workflow
fitted_lm_wflow

══ Workflow [trained] ══════════════════════════════════════════════════════════
Preprocessor: Formula
Model: linear_reg()

── Preprocessor ────────────────────────────────────────────────────────────────
Sale_Price ~ Longitude + Latitude

── Model ───────────────────────────────────────────────────────────────────────

Call:
stats::lm(formula = ..y ~ ., data = data)

Coefficients:
(Intercept)    Longitude     Latitude  
   -302.974       -2.075        2.710

collect_metrics(final_lm_res) # 收集最终模型的性能评估指标

# A tibble: 2 × 4
  .metric .estimator .estimate .config        
  <chr>   <chr>          <dbl> <chr>          
1 rmse    standard       0.164 pre0_mod0_post0
2 rsq     standard       0.189 pre0_mod0_post0

collect_predictions(final_lm_res) |> slice(1:5) # 收集最终模型的预测结果(前5行)

# A tibble: 5 × 5
  .pred id               Sale_Price  .row .config        
  <dbl> <chr>                 <dbl> <int> <chr>          
1  5.22 train/test split       5.02     2 pre0_mod0_post0
2  5.21 train/test split       5.39     4 pre0_mod0_post0
3  5.28 train/test split       5.28     5 pre0_mod0_post0
4  5.27 train/test split       5.28     8 pre0_mod0_post0
5  5.28 train/test split       5.28    10 pre0_mod0_post0