R语言编程-Tidyverse 书籍 - 第三章 - 统计建模

1 整洁模型结果 - broom 包

tidyverse 主张以‘‘整洁的” 数据框作为输入，但是lm, nls, t.test, kmeans 等模型的输出结果，却是‘‘不整洁的” 列表。
broom 包实现将模型输出结果转化为整洁的tibble，且列名规范一致，方便后续取用；另外，与
tidyr 包中的nest()/unnest() 函数以及purrr 包中的map_*() 系列函数连用，非常便于批量建模和
批量整合模型结果。

broom 包主要提供了如下3 个函数：

• tidy(): 模型系数估计及其统计量：返回结果tibble 的每一行通常表达的都是具有明确含义的概念，如回归模型的一项，一个统计检验，一个聚类或类；各列包括：

1. term: 回归或模型中要估计的项
2. estimate: 参数估计值
3. statistic: 检验统计量
4. p.value: 检验统计量的p 值
5. conf.low, conf.high: estimate 的置信区间界
6. df: 自由度

• glance(): 模型诊断信息:返回一行的tibble, 各列是模型诊断信息：

  
  image.png

• augment(): 增加预测值列、残差列等. augment(model, data) 为原始数据增加新列，若data 参数缺失，则只包含模型涉及的列。

  
  image.png

例子：

library(broom)
model = lm(mpg ~ wt, data = mtcars)
model %>% tidy()
model %>% glance()
model %>% augment()

model %>% augment() %>%
  ggplot(aes(x = wt, y = mpg)) +
  geom_point() +
  geom_line(aes(y = .fitted), color = "blue") +
  geom_segment(aes(xend = wt, yend = .fitted), color = "red")

image.png

2 辅助建模 - modelr 包

modelr 包提供了一系列辅助建模的函数，便于在tidyverse 框架下讲授建模.

• resample_*(): 重抽样:。常用的重抽样方法有，简单重抽样（留出, Holdout)，自助重抽样(Bootstrap)、交叉验证重抽样(CrossValidation)、置换重抽样(Permutation).

image.png

这些重抽样结果：

image.png

rsample 包

另外，rsample 包提供了基本工具创建和分析数据集不同类型的重抽样，更适合与**机器学习包tidymodels **连用。
模型性能度量函数:

image.png
生成模型数据:
image.png
增加预测值列、残差列:

• add_predictions()
• add_residuals()

library(modelr)
ex = resample_partition(mtcars, c(test = 0.3, train = 0.7))
mod = lm(mpg ~ wt, data = ex$train)
rmse(mod, ex$test)
## [1] 3.207508
mod = lm(mpg ~ wt + cyl + vs, data = mtcars)
data_grid(mtcars, wt = seq_range(wt, 10), cyl, vs) %>%
  add_predictions(mod)

10 折交叉验证建模的例

image.png

(1) 先用crossv_kfold() 生成10 折交叉验证的数据：

cv10 = crossv_kfold(mtcars, 10)
cv10

(2) 接着是批量建模（具体见下节），与普通的修改列是一样的：（用map）计算新列+ 赋值。

cv10 %>%
    mutate(models = map(train, ~ lm(mpg ~ wt, data = .)),
        rmse = map2_dbl(models, test, rmse))

(3)要计算最终的平均模型效果，对rmse 列做汇总均值即可.

3 批量建模

有时候需要对数据做分组，批量地对每个分组建立同样模型，并提取和使用批量的模型结果，这就是批量建模。
tidyverse 中的两种优雅、简洁的做法：

• 1. 用嵌套数据框+ purrr::map 实现
     (1)先分组

by_region = ecostats %>%
     group_nest(Region)
by_region

by_region$data[[1]] # 查看列表列的第1 个元素的内容
unnest(by_region, data) # 解除嵌套, 还原到原数据

(2)增加模型列

by_region = by_region %>%
       mutate(model = map(data, ~ lm(Consumption ~ gdpPercap, data = .x)))
by_region

(3)继续用mutate() 修改列，借助map_* 函数从模型列、数据列计算均方根误差、R²、斜率、p 值

by_region %>%
  mutate(rmse = map2_dbl(model, data, rmse),
         rsq = map2_dbl(model, data, rsquare),
         slope = map_dbl(model, ~ coef(.x)[[2]]),
         pval = map_dbl(model, ~ glance(.x)$p.value))

(4)批量提取模型系数估计及其统计量：unnest() 函数解除嵌套

by_region %>%
      mutate(result = map(model, tidy)) %>%
      select(Region, result) %>%
      unnest(result)

• 2. 用dplyr 包的rowwise 技术
     dplyr 包的rowwise 按行方式，可以理解为一种特殊的分组：每一行作为一组。

（1）若对ecostats 数据框用nest_by() 做嵌套就得到这样rowwise 化的嵌套数据框：

by_region = ecostats %>%
         nest_by(Region)
by_region

（2）增加模型

by_region = by_region %>%
       mutate(model = list(lm(Consumption ~ gdpPercap, data = data)))
by_region

（3）直接用mutate() 修改列，从模型列、数据列计算均方根误差、R2、斜率、p 值：

by_region %>%
        mutate(rmse = rmse(model, data),
                    rsq = rsquare(model, data),
                    slope = coef(model)[[2]],
                    pval = glance(model)$p.value)

也可以配合broom 包的函数tidy(), glance(), augment() 批量、整洁地提取模型结果。
批量提取模型系数估计及其统计量：

by_region %>%
   summarise(tidy(model))

批量提取模型诊断信息：

by_region %>%
   summarise(glance(model))

批量增加预测值列、残差列等：

by_region %>%
   summarise(augment(model))

rowwise 化方法的代码更简洁，但速度不如嵌套数据框+ purrr::map 快。