R 应用modeltime\u fit\u重采样时，为什么要根据训练数据调整modeltime\u表使用的模型？（modeltime）

通过modeltime/tidymodels框架处理时间序列时，将显示以下工作流，以通过交叉验证验证模型的性能

library(modeltime)
library(modeltime.resample)
library(tidyverse)
library(timetk)

resamples_tscv <- time_series_cv(
    data        = m750,
    assess      = "2 years",
    initial     = "5 years",
    skip        = "2 years",
    slice_limit = 4
)

resamples_tscv

m750_models

###模型时间表
###tibble:3 x 3
##.model\u id.model.model\u desc
##                               
##1 1 ARIMA（0,1,1）（0,1,1）[12]
##2先知
##3.3 GLMNET

但是，在检查m750_模型对象时，所有3个模型都已安装。模型不应该适合每个“训练/测试”分区吗？还是我误解了程序？下面我展示了使用fit_重采样的工作流

library(tidymodels
data("hpc_data")

svm_spec <- svm_poly(degree = 1, cost = 1/4) %>%
  set_engine("kernlab") %>%
  set_mode("regression")

svm_wf <- workflow() %>%
  add_model(svm_spec) %>%
  add_formula(compounds ~ .)

hpc_folds <- vfold_cv(hpc_data)

svm_rs <- svm_wf %>%
  fit_resamples(
    resamples = hpc_folds
  )

svm_rs
#> # Resampling results
#> # 10-fold cross-validation 
#> # A tibble: 10 x 4
#>    splits             id     .metrics         .notes          
#>    <list>             <chr>  <list>           <list>          
#>  1 <split [3.9K/434]> Fold01 <tibble [2 × 3]> <tibble [0 × 1]>
#>  2 <split [3.9K/433]> Fold02 <tibble [2 × 3]> <tibble [0 × 1]>
#>  3 <split [3.9K/433]> Fold03 <tibble [2 × 3]> <tibble [0 × 1]>
#>  4 <split [3.9K/433]> Fold04 <tibble [2 × 3]> <tibble [0 × 1]>
#>  5 <split [3.9K/433]> Fold05 <tibble [2 × 3]> <tibble [0 × 1]>
#>  6 <split [3.9K/433]> Fold06 <tibble [2 × 3]> <tibble [0 × 1]>
#>  7 <split [3.9K/433]> Fold07 <tibble [2 × 3]> <tibble [0 × 1]>
#>  8 <split [3.9K/433]> Fold08 <tibble [2 × 3]> <tibble [0 × 1]>
#>  9 <split [3.9K/433]> Fold09 <tibble [2 × 3]> <tibble [0 × 1]>
#> 10 <split [3.9K/433]> Fold10 <tibble [2 × 3]> <tibble [0 × 1]>

库（tidymodels）
数据（“hpc_数据”）
svm_规格%
设置引擎（“内核实验室”）%%>%
设置_模式（“回归”）
svm_wf%
添加_模型（svm_规范）%>%
添加_公式（化合物~）
hpc#U折叠#重采样结果
#>#10倍交叉验证
#>#tibble:10 x 4
#>拆分id.metrics.notes
#>                                        
#>1折叠01
#>2折叠02
#>3折叠03
#>4折叠4
#>5.折叠
#>折叠
#>7折叠07
#>8折叠08
#>9折叠09
#>10折叠10

我相信多了解一点程序会有所帮助。当您被设计为采用您的型号规格并重复重新安装以重新采样数据时

什么是重采样？ 我们想测试我们的模型在数据子集上训练后的表现。这有助于理解我们对模型的信心，以及它是如何随时间序列（时间）变化的数据。重采样要求在每次重采样（列车/试验1、列车/试验2、…、列车/试验N）时重新培训和重新评估模型规范

什么是型号规格？

• 这是您指定的参数和模型类型（建模功能和引擎）
• 它不是“拟合模型”（意味着它不会用你的模型进行预测）

内部Modeltime重采样过程是如何工作的？

Modeltime重采样使用

tune

中的

fit\u resamples（）

函数，并应用于包含一个或多个模型的Modeltime表中的每个模型

重新装配过程会忽略“已装配模型”，但会将选定的参数和建模规范复制到重新采样的重复装配（训练）新模型

结果是如果对不同的数据样本进行拟合，模型将如何执行。您可以使用绘图和表格实用程序显示结果

重采样表和重采样图 来自以下方面的例子：

---

函数

fit\u resamples（）

使用指定的模型安装在每个折叠上，通常用于评估性能。在每个

拆分中，模型适合“分析”集，然后在“评估”中进行评估设置。如果您想阅读更多内容，您非常完美，我同意您的意见。但是
modeltime\u fit\u重采样
函数的输入是一个“modeltime Table”，它是由
modeltime\u Table
函数生成的（在本例中是m750\u models对象），其中模型必须已经过培训。我的问题与
fit\u重采样
和
modeltime\u fit\u重采样
函数的输入不同有关，我习惯于使用fit\u重采样，就像您在多个教程中展示的那样，在没有培训的情况下对模型进行拟合（或使用最佳超参数，使用
完成\u工作流
）在每次拆分中。或在内部
modeltime\u fit\u重采样
提取配方和模型规范，以便在未经培训的情况下重新创建工作流，从而根据每次拆分进行调整？如果我不太理解，请原谅。太好了，非常感谢您的解释。
## # Modeltime Table
## # A tibble: 3 x 4
##   .model_id .model     .model_desc             .resample_results
##       <int> <list>     <chr>                   <list>           
## 1         1 <workflow> ARIMA(0,1,1)(0,1,1)[12] <tibble [4 × 5]> 
## 2         2 <workflow> PROPHET                 <tibble [4 × 5]> 
## 3         3 <workflow> GLMNET                  <tibble [4 × 5]>


m750_models

## # Modeltime Table
## # A tibble: 3 x 3
##   .model_id .model     .model_desc            
##       <int> <list>     <chr>                  
## 1         1 <workflow> ARIMA(0,1,1)(0,1,1)[12]
## 2         2 <workflow> PROPHET                
## 3         3 <workflow> GLMNET


library(tidymodels
data("hpc_data")

svm_spec <- svm_poly(degree = 1, cost = 1/4) %>%
  set_engine("kernlab") %>%
  set_mode("regression")

svm_wf <- workflow() %>%
  add_model(svm_spec) %>%
  add_formula(compounds ~ .)

hpc_folds <- vfold_cv(hpc_data)

svm_rs <- svm_wf %>%
  fit_resamples(
    resamples = hpc_folds
  )

svm_rs
#> # Resampling results
#> # 10-fold cross-validation 
#> # A tibble: 10 x 4
#>    splits             id     .metrics         .notes          
#>    <list>             <chr>  <list>           <list>          
#>  1 <split [3.9K/434]> Fold01 <tibble [2 × 3]> <tibble [0 × 1]>
#>  2 <split [3.9K/433]> Fold02 <tibble [2 × 3]> <tibble [0 × 1]>
#>  3 <split [3.9K/433]> Fold03 <tibble [2 × 3]> <tibble [0 × 1]>
#>  4 <split [3.9K/433]> Fold04 <tibble [2 × 3]> <tibble [0 × 1]>
#>  5 <split [3.9K/433]> Fold05 <tibble [2 × 3]> <tibble [0 × 1]>
#>  6 <split [3.9K/433]> Fold06 <tibble [2 × 3]> <tibble [0 × 1]>
#>  7 <split [3.9K/433]> Fold07 <tibble [2 × 3]> <tibble [0 × 1]>
#>  8 <split [3.9K/433]> Fold08 <tibble [2 × 3]> <tibble [0 × 1]>
#>  9 <split [3.9K/433]> Fold09 <tibble [2 × 3]> <tibble [0 × 1]>
#> 10 <split [3.9K/433]> Fold10 <tibble [2 × 3]> <tibble [0 × 1]>