在 tidy 建模框架中集成变量重要性图

Question

有人可以告诉我如何在整洁的建模框架中生成基于排列的变量内插吗？ 目前，我有这个：

library(tidymodels)

# variable importance
final_fit_train %>%
  pull_workflow_fit() %>%
  vip(geom = "point",
      aesthetics = list(color = cbPalette[4],
                        fill = cbPalette[4])) +
  THEME +
  ggtitle("Elastic Net")

这会产生：

但是，我想要这样的东西

我不清楚这个相当新的整洁建模框架如何与当前的 VIP package 集成。 任何可以提供帮助的人。 谢谢！

https://koalaverse.github.io/vip/articles/vip.html （VIP包的API）。

Answer 1

要使用置换计算变量重要性，与使用模型相关变量重要性相比，您只需将几部分放在一起即可。

让我们看一个 SVM model 的示例，它没有模型依赖变量重要性得分。

library(tidymodels)
#> ── Attaching packages ──────────────────────── tidymodels 0.1.1 ──
#> ✓ broom     0.7.0      ✓ recipes   0.1.13
#> ✓ dials     0.0.8      ✓ rsample   0.0.7 
#> ✓ dplyr     1.0.0      ✓ tibble    3.0.3 
#> ✓ ggplot2   3.3.2      ✓ tidyr     1.1.0 
#> ✓ infer     0.5.3      ✓ tune      0.1.1 
#> ✓ modeldata 0.0.2      ✓ workflows 0.1.2 
#> ✓ parsnip   0.1.2      ✓ yardstick 0.0.7 
#> ✓ purrr     0.3.4
#> ── Conflicts ─────────────────────────── tidymodels_conflicts() ──
#> x purrr::discard() masks scales::discard()
#> x dplyr::filter()  masks stats::filter()
#> x dplyr::lag()     masks stats::lag()
#> x recipes::step()  masks stats::step()

data("hpc_data")

svm_spec <- svm_poly(degree = 1, cost = 1/4) %>%
  set_engine("kernlab") %>%
  set_mode("regression")

svm_fit <- workflow() %>%
  add_model(svm_spec) %>%
  add_formula(compounds ~ .) %>%
  fit(hpc_data)

svm_fit
#> ══ Workflow [trained] ════════════════════════════════════════════
#> Preprocessor: Formula
#> Model: svm_poly()
#> 
#> ── Preprocessor ──────────────────────────────────────────────────
#> compounds ~ .
#> 
#> ── Model ─────────────────────────────────────────────────────────
#> Support Vector Machine object of class "ksvm" 
#> 
#> SV type: eps-svr  (regression) 
#>  parameter : epsilon = 0.1  cost C = 0.25 
#> 
#> Polynomial kernel function. 
#>  Hyperparameters : degree =  1  scale =  1  offset =  1 
#> 
#> Number of Support Vectors : 2827 
#> 
#> Objective Function Value : -284.7255 
#> Training error : 0.835421

我们的 model 现在已经过训练，因此可以计算变量重要性。 注意几个步骤：

• 您将已安装的 model object 从工作流程中pull() 。
• 您必须指定目标/结果变量compounds 。
• 在这种情况下，我们需要同时传递原始训练数据（在此处使用训练数据，而不是测试数据）和正确的底层 function 进行预测（在某些情况下这可能很难弄清楚，但对于大多数包来说只是predict() ）。

library(vip)
#> 
#> Attaching package: 'vip'
#> The following object is masked from 'package:utils':
#> 
#>     vi
svm_fit %>%
  pull_workflow_fit() %>%
  vip(method = "permute", 
      target = "compounds", metric = "rsquared",
      pred_wrapper = kernlab::predict, train = hpc_data)

^{由代表 package (v0.3.0) 于 2020 年 7 月 17 日创建}

您可以在此处增加nsim以多次执行此操作。