在 group_by 之后使用 dplyr 拟合几个回归模型并将结果模型应用到测试集中

Question

我有一个大数据集，我想根据特定变量的值（在我的情况下为生命周期）进行分区，然后在每个分区上运行逻辑回归。按照@tchakravarty 在Fitting several regression models with dplyr 中的回答，我编写了以下代码：

lifetimemodels = data %>% group_by(lifetime) %>% sample_frac(0.7)%>%
     do(lifeModel = glm(churn ~., x= TRUE, family=binomial(link='logit'), data = .))

我现在的问题是如何使用生成的逻辑模型来计算其余数据（未选择的 0.3 部分）的 AUC，这些数据应该再次按生命周期分组？

提前非常感谢！

Answer 1

您可以调整您的dplyr 方法以使用tidyr 和purrr 框架。您查看分组/嵌套，以及 mutate 和 map 函数来创建列表框架来存储您的工作流程。

您正在寻找的测试/训练拆分是 modelr 的一部分，该软件包旨在协助在 purrr 框架内进行建模。特别是 cross_vmc 和 cross_vkfold 函数。

使用mtcars 的玩具示例（仅用于说明框架）。

library(dplyr)
library(tidyr)
library(purrr)
library(modelr)

analysis <- mtcars %>%
  nest(-cyl) %>%
  unnest(map(data, ~crossv_mc(.x, 1, test = 0.3))) %>%
  mutate(model = map(train, ~lm(mpg ~ wt, data = .x))) %>%
  mutate(pred = map2(model, train, predict)) %>%
  mutate(error = map2_dbl(model, test, rmse))

这个：

1. 乘坐mtcars
2. 嵌套到名为data 的列表框架中，cyl
3. 通过将crossv_mc 映射到每个元素，然后使用unnest 生成test 和train 列表列，将每个data 分离到一个训练集中。
4. 将lm 模型映射到每个train，将其存储在model
5. 将predict 函数映射到model 和train 并存储在pred
6. 将rmse 函数映射到model 和test 集并错误存储。

可能有比我更熟悉工作流程的用户，所以请更正/详细说明。