tidymodels2

ds1

tidymodels

prediction

yacsda

statlearning

error

string

mtcars

Published

May 17, 2023

Aufgabe

Ein merkwürdiger Fehler bzw. eine merkwürdige Fehlermeldung in Tidymodels - das untersuchen wir hier genauer und versuchen das Phänomen zu erklären.

Aufgabe

Erläutern Sie die Ursachen des Fehlers! Schalten Sie den Fehler an und ab, um zu zeigen, dass Sie Ihn verstehen.

Startup

library(tidyverse)
library(tidymodels)

Data import

data("mtcars")

d_train <- mtcars %>% slice_head(n = 20)
d_test <- mtcars %>% slice(21:n())

Recipe

preds_chosen <- c("hp", "disp", "am")

rec1 <- 
  recipe( ~ ., data = d_train) %>% 
  update_role(all_predictors(), new_role = "id") %>% 
  update_role(all_of(preds_chosen), new_role = "predictor") %>% 
  update_role(mpg, new_role = "outcome")
rec1

d_train_baked <-
  rec1 %>% 
  prep() %>% 
  bake(new_data = NULL)

glimpse(d_train_baked)

Model 1

model_lm <- linear_reg()

Workflow 1

wf1 <-
  workflow() %>% 
  add_model(model_lm) %>% 
  add_recipe(rec1)

Fit

lm_fit1 <-
  wf1 %>% 
  fit(d_train)

preds <-
  lm_fit1 %>% 
  predict(d_test)

head(preds)

Aus Gründen der Reproduzierbarkeit bietet es sich an, eine SessionInfo anzugeben:

sessionInfo()

Lösung

Definiert man das Rezept so:

rec2 <- recipe(mpg ~ hp + disp + am, data = d_train)

Dann läuft predict() brav durch.

Auch dieser Code funktioniert:

rec3 <- 
  recipe(mpg ~ ., data = d_train) %>% 
  update_role(all_predictors(), new_role = "id") %>% 
  update_role(all_of(preds_chosen), new_role = "predictor") %>% 
  update_role(mpg, new_role = "outcome")

Das Problem von rec1 scheint darin zu legen, dass die Rollen der Variablen nicht richtig gelöscht werden, was predict() verwirrt:

rec1 <- 
  recipe(mpg ~ ., data = d_train) %>% 
  update_role(all_predictors(), new_role = "id") %>% 
  update_role(all_of(preds_chosen), new_role = "predictor") %>% 
  update_role(mpg, new_role = "outcome")
rec1

Daher läuft das Rezept rec3 durch, wenn man zunächst alle Prädiktoren in ID-Variablen umwandelt: Damit sind alle Rollen wieder sauber.

Categories:

ds1
tidymodels
prediction
yacsda
statlearning
error
string

--- exname: tidymodels2 extype: string exsolution: NA categories: - ds1 - tidymodels - prediction - yacsda - statlearning - error - string - mtcars date: '2023-05-17' slug: tidymodels2 title: tidymodels2 execute: error: true eval: false --- # Aufgabe Ein merkwürdiger Fehler bzw. eine merkwürdige Fehlermeldung in Tidymodels - das untersuchen wir hier genauer und versuchen das Phänomen zu erklären. *Aufgabe* Erläutern Sie die Ursachen des Fehlers! Schalten Sie den Fehler an und ab, um zu zeigen, dass Sie Ihn verstehen. # Startup ```{r message=FALSE} library(tidyverse) library(tidymodels) ``` # Data import ```{r} data("mtcars") d_train <- mtcars %>% slice_head(n = 20) d_test <- mtcars %>% slice(21:n()) ``` # Recipe ```{r} preds_chosen <- c("hp", "disp", "am") ``` ```{r} rec1 <- recipe( ~ ., data = d_train) %>% update_role(all_predictors(), new_role = "id") %>% update_role(all_of(preds_chosen), new_role = "predictor") %>% update_role(mpg, new_role = "outcome") rec1 ``` ```{r} d_train_baked <- rec1 %>% prep() %>% bake(new_data = NULL) glimpse(d_train_baked) ``` # Model 1 ```{r} model_lm <- linear_reg() ``` # Workflow 1 ```{r} wf1 <- workflow() %>% add_model(model_lm) %>% add_recipe(rec1) ``` # Fit ```{r} lm_fit1 <- wf1 %>% fit(d_train) ``` ```{r error=TRUE} preds <- lm_fit1 %>% predict(d_test) head(preds) ``` Aus Gründen der Reproduzierbarkeit bietet es sich an, eine `SessionInfo` anzugeben: ```{r} sessionInfo() ``` # Lösung Definiert man das Rezept so: ```{r} rec2 <- recipe(mpg ~ hp + disp + am, data = d_train) ``` Dann läuft `predict()` brav durch. Auch dieser Code funktioniert: ```{r} rec3 <- recipe(mpg ~ ., data = d_train) %>% update_role(all_predictors(), new_role = "id") %>% update_role(all_of(preds_chosen), new_role = "predictor") %>% update_role(mpg, new_role = "outcome") ``` Das Problem von `rec1` scheint darin zu legen, dass die *Rollen* der Variablen nicht richtig gelöscht werden, was `predict()` verwirrt: ```{r} rec1 <- recipe(mpg ~ ., data = d_train) %>% update_role(all_predictors(), new_role = "id") %>% update_role(all_of(preds_chosen), new_role = "predictor") %>% update_role(mpg, new_role = "outcome") rec1 ``` Daher läuft das Rezept `rec3` durch, wenn man zunächst alle Prädiktoren in ID-Variablen umwandelt: Damit sind alle Rollen wieder sauber. --- Categories: - ds1 - tidymodels - prediction - yacsda - statlearning - error - string