这篇文章介绍一个R包，名为{modelr}，其中的一些函数非常的实用，可以让建模过程变得简单！install.packages("modelr")
library(modelr)
将会使用R自带的数据集iris作为示范数据，查看概况：
b <- resample_bootstrap(iris)
as.data.frame(b)
有时候需要将数据集分割成训练数据集和验证数据集（比如1:1），那可以这么做： data <- resample_partition(iris, c(test = 0.5, train = 0.5))
lapply(data, dim)
从上述结果可知，data中包含了两个数据集，train和test，分别指代训练数据集和验证数据集。下一步，使用三种不同的方法对iris进行重采样，代码如下： boot <- bootstrap(iris, 500)
cv_10 <- crossv_kfold(iris, k = 10)
cv_mc <- crossv_mc(iris, 100)
可以使用下方代码分别查看上述新建对象中所包含的数据集情况（以dataframe的格式保存）： dim(boot$strap[[1]])
dim(cv_10$train[[1]])
dim(cv_10$test[[1]])
dim(cv_mc$train[[1]])
dim(cv_mc$test[[1]])
这个R包还包含了几个可以查看模型表现的函数，先建立一个回归模型备用：
mymodel <- lm(Sepal.Length ~ Sepal.Width, data = iris)
summary(mymodel)
可以使用下方代码查看模型的相关参数（RMSE, R2, MAE和QAE），代码如下： rmse(mymodel, data = iris)
rsquare(mymodel, data = iris)
mae(mymodel, data = iris)
qae(mymodel, data = iris)
最后介绍两个函数，可以分别计算模型的预测值以及残差，并且将结果直接作为一个新的变量拼接到数据集中，以用于后续的分析，非常实用！
mydata <- iris |> add_predictions(mymodel)
head(mydata)
mydata1 <- iris |> add_residuals(mymodel)
head(mydata1)
好啦，今天的内容就到这里。如果有帮助，记得分享给需要的人![]()
！https://modelr.tidyverse.org/index.html
公众号核心成员担任SCI杂志Associate Editor!▌课程相关咨询可添加R师妹微信: kefu_rstats
