重用模型预测新观察结果

如果模型的计算成本不高，我倾向于在R脚本中记录整个模型构建过程，并在需要时重新运行。如果模型拟合中涉及随机元素，我确保设置已知的随机种子。

如果模型的计算成本很高，那么我仍然使用上面的脚本，但是使用save()和rda对象来保存模型对象。然后我倾向于修改脚本，以便如果保存的对象存在，加载它，或者如果不存在，则使用围绕代码相关部分的简单if()...else子句重新构建模型。

加载已保存的模型对象时，请确保重新加载所有必需的软件包，但在您的情况下，如果logit模型适合glm()，则除R之外不会加载任何其他软件包。

以下是一个例子：

> set.seed(345)
> df <- data.frame(x = rnorm(20))
> df <- transform(df, y = 5 + (2.3 * x) + rnorm(20))
> ## model
> m1 <- lm(y ~ x, data = df)
> ## save this model
> save(m1, file = "my_model1.rda")
> 
> ## a month later, new observations are available: 
> newdf <- data.frame(x = rnorm(20))
> ## load the model
> load("my_model1.rda")
> ## predict for the new `x`s in `newdf`
> predict(m1, newdata = newdf)
        1         2         3         4         5         6 
6.1370366 6.5631503 2.9808845 5.2464261 4.6651015 3.4475255 
        7         8         9        10        11        12 
6.7961764 5.3592901 3.3691800 9.2506653 4.7562096 3.9067537 
       13        14        15        16        17        18 
2.0423691 2.4764664 3.7308918 6.9999064 2.0081902 0.3256407 
       19        20 
5.4247548 2.6906722

如果想要自动执行此操作，那么我可能会在脚本中执行以下操作：

## data
df <- data.frame(x = rnorm(20))
df <- transform(df, y = 5 + (2.3 * x) + rnorm(20))

## check if model exists? If not, refit:
if(file.exists("my_model1.rda")) {
    ## load model
    load("my_model1.rda")
} else {
    ## (re)fit the model
    m1 <- lm(y ~ x, data = df)
}

## predict for new observations
## new observations
newdf <- data.frame(x = rnorm(20))
## predict
predict(m1, newdata = newdf)

当然，数据生成代码将被加载实际数据的代码替换。

使用新观察更新先前拟合的模型

如果要使用其他新观察值重新构建模型。然后update()是一个有用的功能。它所做的只是更新模型，更新一个或多个模型参数。如果要在用于拟合模型的数据中包含新观察值，请将新观察值添加到传递给参数'data'的数据框中，然后执行以下操作：

m2 <- update(m1, . ~ ., data = df)

其中m1是原始的，保存的模型拟合，. ~ .是模型公式更改，在这种情况下意味着包括{{1}的左侧和右侧的所有现有变量（换句话说，不对模型公式进行任何更改），~是用于拟合原始模型的数据框，扩展为包含新近可用的观察结果。

这是一个有效的例子：

df

其他在评论> set.seed(123) > df <- data.frame(x = rnorm(20)) > df <- transform(df, y = 5 + (2.3 * x) + rnorm(20)) > ## model > m1 <- lm(y ~ x, data = df) > m1 Call: lm(formula = y ~ x, data = df) Coefficients: (Intercept) x 4.960 2.222 > > ## new observations > newdf <- data.frame(x = rnorm(20)) > newdf <- transform(newdf, y = 5 + (2.3 * x) + rnorm(20)) > ## add on to df > df <- rbind(df, newdf) > > ## update model fit > m2 <- update(m1, . ~ ., data = df) > m2 Call: lm(formula = y ~ x, data = df) Coefficients: (Intercept) x 4.928 2.187中提到过，它从拟合的模型中提取公式：

formula()

但是，如果模型拟合涉及更复杂的模型拟合函数中的其他参数，如> formula(m1) y ~ x > ## which can be used to set-up a new model call > ## so an alternative to update() above is: > m3 <- lm(formula(m1), data = df)或'family'参数。如果'subset'方法适用于您的模型拟合函数（它们适用于许多常用拟合函数，如update()），则它提供了一种更简单的方法来更新模型拟合，而不是提取和重用模型公式。

如果您打算在R中进行所有建模和未来预测，那么通过PMML或类似方法抽象模型似乎没什么意义。

Answer 2

如果您使用相同的数据框和变量名称，则可以（至少lm()和glm()）在保存的模型上使用函数update：

Df <- data.frame(X=1:10,Y=(1:10)+rnorm(10))

model <- lm(Y~X,data=Df)
model

Df <- rbind(Df,data.frame(X=2:11,Y=(10:1)+rnorm(10)))

update(model)

这是在没有任何数据准备等的情况下。它只是重用模型规范集。请注意，如果您在此期间更改对比度，新模型将使用新的对比更新，而不是旧对比。

因此，在大多数情况下，使用脚本是更好的答案。可以包括仅占用数据帧的便捷函数中的所有步骤，因此您可以获取脚本，然后在任何新数据集上使用该函数。另见Gavin的答案。

重用R中内置的模型

2 个答案:

重用模型预测新观察结果

使用新观察更新先前拟合的模型