tidymodels 全流程简介

本项目演示了如何使用 R 语言中的 tidymodels 框架完成一个完整的机器学习分类任务。tidymodels 是一系列用于建模和机器学习的 R 包的集合，旨在提供统一、整洁的语法。

核心步骤

1. 数据分割 (Data Splitting): 使用 initial_split() 将数据划分为训练集和测试集，确保模型评估的公正性。
2. 数据预处理 (Preprocessing): 通过 recipe() 定义数据处理流程，包括数值特征的标准化 (step_normalize) 和分类特征的独热编码 (step_dummy)。
3. 模型设定 (Model Specification): 定义模型类型（本例为随机森林 rand_forest）、引擎（ranger）及模式（分类 classification）。
4. 工作流构建 (Workflow): 使用 workflow() 将预处理配方和模型规范捆绑在一起，简化后续操作。
5. 重采样评估 (Resampling): 利用 vfold_cv() 进行 K 折交叉验证，并通过 fit_resamples() 评估模型在未见数据上的泛化能力。
6. 最终拟合与预测 (Final Fit): 使用 last_fit() 在完整训练集上训练模型并在测试集上进行最终评估。

数据集

本示例使用 palmerpenguins 数据集，目标是根据企鹅的体型测量数据（如喙长、鳍长等）预测其物种（Adelie, Chinstrap, 或 Gentoo）。

结果展示

本部分描述运行 main.R 脚本后，控制台将输出的文字结果。

1. 交叉验证平均准确率

• 输入操作*:

脚本执行到 collect_metrics(rf_res) 并过滤出 accuracy 指标时。

• 输出描述*:

控制台将打印一个 tibble 数据框，包含三列：.metric (显示为 "accuracy"), .estimator (显示为 "multiclass"), 以及 .mean 和 .std_err。

• .mean 的值预计在 0.96 到 0.98 之间，表示模型在 5 折交叉验证中的平均分类准确率非常高。
• .std_err 将显示一个较小的数值，表明模型性能在不同折叠间波动较小，表现稳定。

2. 测试集最终评估指标

• 输入操作*:

脚本执行到 print(test_metrics) 时。

• 输出描述*:

控制台将打印另一个 tibble 数据框，展示模型在完全未见的测试集上的表现。

• 第一行显示 .metric 为 "accuracy"，.estimate 值预计为 1.0 或 0.97 左右（取决于随机种子和数据划分），代表测试集的正确分类比例。
• 第二行显示 .metric 为 "roc_auc"，.estimate 值预计非常接近 1.0，表明模型区分不同企鹅物种的能力极强。

3. 前 6 行预测结果预览

• 输入操作*:

脚本执行到 print(head(test_results)) 时。

• 输出描述*:

控制台将打印一个包含 6 行数据的 tibble，列出了测试集中前 6 个样本的详细预测信息。主要包含以下列：

• .row: 原始数据行的索引号。
• species: 真实的物种标签（例如："Adelie", "Gentoo"）。
• .pred_class: 模型预测的物种类别。

• .pred_Adelie, .pred_Chinstrap, .pred_Gentoo: 模型预测属于各个物种的概率值（0 到 1 之间）。

• 典型输出示例文本*:

# A tibble: 6 × 6
  .row species   .pred_class .pred_Adelie .pred_Chinstrap .pred_Gentoo
 <int> <fct>     <fct>              <dbl>           <dbl>        <dbl>
1    1 Adelie    Adelie             0.980          0.0150       0.00500
2    2 Gentoo    Gentoo             0.002          0.00300      0.995  
3    3 Chinstrap Chinstrap          0.010          0.980        0.010  
...

这表明模型不仅给出了分类结果，还提供了置信度概率，且预测类别通常与真实标签一致。