tidymodels包

library(broom)

fit <- lm(Sepal.Width ~ Petal.Length + Petal.Width, iris)
summary(fit)
#tidy（）生成一个tibble（），其中每一行都包含有关模型重要组件的信息。
#对于回归模型，这通常对应于回归系数。 如果要检查模型或创建自定义可视化，这可能很有用。
tidy(fit)
#glance（）返回一个恰好有一行模型自生的度量和相关统计数据的tibble。
#这对于检查模型错误指定和比较许多模型很有用。
glance(fit)
#augment将数据列添加到数据集，其中包含拟合值，残差或群集分配等信息。 添加到数据集的所有列都有。 前缀以防止覆盖现有列。
augment(fit, data = iris)

library(parsnip)
#统一模型调用接口和参数
rand_forest(mtry = 12, trees = 2000) %>%
  set_engine("ranger", importance = 'impurity') %>%
  fit(y ~ ., data = dat)

rand_forest(mtry = 12, trees = 2000) %>%
  set_engine("spark") %>%
  fit(y ~ ., data = dat)

library(modeldb)
#数据库中拟合模型
con <- DBI::dbConnect(RSQLite::SQLite(), path = ":memory:")
RSQLite::initExtension(con)
dplyr::copy_to(con, mtcars)

tbl(con, "mtcars") %>%
  select(wt, mpg, qsec) %>%
  linear_regression_db(wt)

km <- tbl(con, "mtcars") %>%
  simple_kmeans_db(mpg, wt)

library(recipes)
#用于创建和预处理可用于建模或可视化的设计矩阵的替代方法。
library(mlbench)
data(Sonar)
sonar_rec <- recipe(Class ~ ., data = Sonar) %>%
  step_center(all_predictors()) %>%
  step_scale(all_predictors())

#在下面的示例中，我们将完成将字符变量转换为其标记化单词的TF-IDF所需的步骤，这些步骤在删除了停用词并将自己仅用于最常用的100个单词之后。 我们将在变量essay0和essay1上传导这个预处理。
library(recipes)
library(textrecipes)
#textrecipes包含用于预处理文本数据的额外步骤。
data(okc_text)

okc_rec <- recipe(~ ., data = okc_text) %>%
  step_tokenize(essay0, essay1) %>% # Tokenizes to words by default
  step_stopwords(essay0, essay1) %>% # Uses the english snowball list by default
  step_tokenfilter(essay0, essay1, max_tokens = 100) %>%
  step_tfidf(essay0, essay1)

okc_obj <- okc_rec %>%
  prep(training = okc_text)

str(bake(okc_obj, okc_text), list.len = 15)

recipe(~ ., data = data) %>%
  step_tokenize(text) %>%
  step_stem(text) %>%
  step_stopwords(text) %>%
  step_topwords(text) %>%
  step_tf(text)

recipe(~ ., data = data) %>%
  step_tokenize(text) %>%
  step_stem(text) %>%
  step_tfidf(text)

#tidypredict的主要目标是在数据库中启用运行预测。 它读取模型，提取计算预测所需的组件，然后创建可以转换为SQL的R公式。 换句话说，它能够解析这样的模型：
library(tidypredict)
model <- lm(mpg ~ wt + cyl, data = mtcars)
tidypredict_sql(model, dbplyr::simulate_mssql())

#tidypredict支持通过parsnip接口安装的模型。 目前在tidypredict中确认的那些是：

#broom的tidy（）函数与通过tidypredict解析的线性模型一起工作