在tidymodels的范围之外,验证模型假设很容易。例如,在线性回归(函数lm)中,包performance创建易于理解的图形和简单的函数(check_heteroscedasticity())来验证线性回归模型的假设:
- 残差的正态分布性
- 残差的独立性
- 残差的同方差性
- 变量之间没有多重共线性。
在tidymodels的范围内是否有等效的包来验证模型的假设?Tidymodels包创建了parnsnip对象,因此旧的模型评估包如performance已经无用。
感谢您的帮助
在tidymodels的范围之外,验证模型假设很容易。例如,在线性回归(函数lm)中,包performance创建易于理解的图形和简单的函数(check_heteroscedasticity())来验证线性回归模型的假设:
在tidymodels的范围内是否有等效的包来验证模型的假设?Tidymodels包创建了parnsnip对象,因此旧的模型评估包如performance已经无用。
感谢您的帮助
使用 {parsnip} 或其他 {tidymodels} 得到的拟合模型将包含您正在使用的任何引擎的基础拟合模型。
有时,拟合的 parsnip 对象将与您正在使用的函数直接配合使用。这是来自 {performance} 的 check_model()
函数的情况。
library(tidymodels)
library(performance)
lm_spec <- linear_reg() %>%
set_mode("regression") %>%
set_engine("lm")
lm_fit <- fit(lm_spec, mpg ~ ., data = mtcars)
lm_fit %>%
check_model()
有时,你会因为函数不知道如何处理 model_fit
对象而出现错误。你可以使用 extract_fit_engine()
函数提取引擎生成的适配器,然后将其与 check_heteroscedasticity()
函数一起使用。
lm_fit %>%
extract_fit_engine() %>%
check_heteroscedasticity()
#> OK: Error variance appears to be homoscedastic (p = 0.188).
此内容由 reprex 包(v2.0.1)于 2021-09-06 创建
infer
是专门为此目的设计的;可以查看hypothesise
函数。 - Konrad