在整洁的建模框架中整合可变重要性图

Question

有人可以告诉我如何在整洁的建模框架内生成基于置换的变量图吗？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")

生成以下内容：

但是，我想要这样的东西

我还不清楚新的整洁建模框架如何与当前的VIP软件包集成。任何可以帮助的人。谢谢！

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

Answer 1

与使用模型相关的变量重要性相比，要使用置换来计算变量重要性，您只需要多花几分就可以放在一起。

让我们看一个SVM模型的示例，该模型没有模型相关的变量重要性评分。

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

我们的模型现已接受训练，因此可以用于计算变量的重要性。注意几个步骤：

• 您从工作流程中pull()拟合模型对象。
• 您必须指定目标/结果变量compounds。
• 在这种情况下，我们需要传递原始的训练数据（此处使用 training 数据，而不是测试数据）和正确的基础函数进行预测（在某些情况下可能很难弄清楚）情况，但对于大多数软件包而言，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reprex package（v0.3.0）于2020-07-17创建}

您可以在此处增加nsim来多次进行此操作。