R 为什么我们需要在tidymodels中准备、烘焙和榨汁？

我总是在不使用准备、烘焙或果汁的情况下完成模型的拟合和预测：

这些准备、烘焙、榨汁功能是否仅用于目视检查数据的预处理结果，而不是拟合/培训过程所必需的

上面的代码是我在官方教程中学习的

---

我在另一个博客中读到，如果使用train_数据，就会产生数据泄漏。我想多听听这方面的情况；这些功能是否与数据泄漏有关？

简短回答：您是正确的，当在您的示例中的工作流中使用配方时，不需要预处理功能

本教程将对此进行介绍：

我们将在一个工作流程中使用这个配方，所以我们不需要太多地强调是否准备。如果您想探索配方对数据的作用，可以先准备配方以估计每个步骤所需的参数，然后bakenew_data=NULL以提取应用这些步骤的训练数据

---

我推荐Julia博客上的所有教程来理解tidymodels。

简短回答：您是对的，当配方在工作流中使用时，如您的示例所示，不需要预处理功能

本教程将对此进行介绍：

我们将在一个工作流程中使用这个配方，所以我们不需要太多地强调是否准备。如果您想探索配方对数据的作用，可以先准备配方以估计每个步骤所需的参数，然后bakenew_data=NULL以提取应用这些步骤的训练数据

---

我推荐Julia博客上的所有教程来理解tidymodels。

您已经解决了我的问题。谢谢，我也会阅读这个博客来了解这个功能的细节。这是一个非常好的回答，非常感谢你的好话。在使用tidymodels工作流时，通常不需要使用这些函数。我想补充一点，像prep和bake这样的函数可以与base R、非tidymodels建模函数一起使用。您已经解决了我的问题。谢谢，我也会阅读这个博客来了解这个功能的细节。这是一个非常好的回答，非常感谢你的好话。在使用tidymodels工作流时，通常不需要使用这些函数。我想补充的是，prep和bake等函数可以与base R、非tidymodels建模函数一起使用。

rec_wflow <- 
  workflow() %>% 
  add_model(lr_mod) %>% 
  add_recipe(rec)

data_fit <- 
  rec_wflow %>% 
  fit(data = train_data)