在带有偏移项的glm上使用扫帚（增强）和modelr（crossv_kfold）时出错

我试图使用modelr的crossv_kfold在k倍交叉验证数据集上拟合泊松回归模型，然后使用broom的增强函数进行预测。在我建模的数据中，我试图预测一个计数，但它需要被曝光变量抵消。为了再现性，我加入了一个扩展数据集来说明

library(tidyverse)
library(modelr)
non_breaks = rpois(dim(warpbreaks)[1],20)
warp = warpbreaks %>%
    mutate(total = breaks + non_breaks)

因此，在这个例子中，我将对给定分类变量的中断次数进行建模，并通过曝光总数进行偏移。我发现，如果我的模型中不包含补偿项，那么一切都会非常好：

library(broom)
warp_no_offset = crossv_kfold(warp, k = 10) %>%
    mutate(model = map(train, ~ glm(breaks~ wool*tension, ., family=poisson))) %>%
    mutate(predicted = map2(model, test, ~ augment(.x, newdata = .y, predict.type= "response")))

但如果我包括一个抵消术语：

warp_offset = crossv_kfold(warp, k = 10) %>%
    mutate(model = map(train, ~ glm(breaks~ offset(log(total)) + wool*tension, ., family=poisson))) %>%
    mutate(predicted = map2(model, test, ~ augment(.x, newdata = .y, predict.type= "response")))

它抛出错误：

Error in mutate_impl(.data, dots) : 
    Evaluation error: arguments imply differing number of rows: 5, 49.

---

问题在于，

offset（）。我知道这是多么棘手，但解决办法很简单

您只需要记住使用
I（）
进行方程内部的变换

例如：

warp_offset = crossv_kfold(warp, k = 10) %>%
  mutate(model = map(train, ~ glm(breaks~ I(offset(log(total))) + wool*tension, ., family=poisson))) %>%
  mutate(predicted = map2(model, test, ~ augment(.x, newdata = .y, predict.type= "response")))

将不会抛出错误并产生所需的结果。
这很有效，谢谢。我不知道方程变换需要
I（）