#r #time-series #character #forecasting #tsibble
Вопрос:
Моя цель состоит в том, чтобы создать функцию, в которой вы вводите переменную, которую хотите спрогнозировать, а затем используете перекрестную проверку для нескольких типов моделей (т. Е. Наивный, ETS, Средний), затем, используя функцию «вытянуть», я вытащу модель с наименьшим RMSE, а затем спрогнозирую на 1 шаг вперед с лучшей моделью.
Тем не менее, у меня возникли проблемы со второй последней строкой, используя значение символа «best.model» в качестве входных данных для модели при прогнозировании. (Ошибка находится ниже кода, который вы можете запустить самостоятельно).
Вот код, чтобы было больше смысла:
library(fpp3)
tsibble <- prices
function.fc <- function (variable) {
## cross validation models
cv.fit <- tsibble %>%
select(year, !!sym(variable)) %>%
stretch_tsibble(.init = 180, .step = 1) %>%
filter(.id != max(.id)) %>%
model(
MEAN(!!sym(variable)),
NAIVE(!!sym(variable))
)
## cv forecasts
cv.fc <- cv.fit %>%
forecast(h = 1)
## cv accuracy
cv.accuracy <- cv.fc %>%
accuracy(tsibble)
## pulls out the name of the best model
best.model <- cv.accuracy %>%
select(.model, .type, RMSE) %>%
arrange(RMSE) %>%
filter(row_number(RMSE) == 1) %>%
pull(.model)
## pulls out 1 step forecast
fc <- model(.data = tsibble, noquote(best.model)) %>%
forecast(h = 1)
return(fc)
}
function.fc("copper")
Error: Model definition(s) incorrectly created: noquote(best.model) Check that specified model(s) are model definitions. Run `rlang::last_error()` to see where the error occurred
Как вы можете видеть, я пытался использовать функцию «снять кавычки», но это все равно не работает.
У кого-нибудь есть какие-либо предложения о том, что использовать? Я изо всех сил пытался найти другие сообщения с моей проблемой.
Ответ №1:
В конце вашей функции best.model
находится строка. Например, если variable = "copper"
, то ваша функция производит best.model = "NAIVE(copper)"
. model()
Функция требует, чтобы было предоставлено определение модели, а не строки. Вы можете проанализировать строку как код, используя rlang::parse_expr()
затем оценить ее для создания определения модели rlang::eval_tidy()
.
library(rlang)
library(fpp3)
#> ── Attaching packages ──────────────────────────────────────────── fpp3 0.4.0 ──
#> ✓ tibble 3.1.0 ✓ tsibble 1.0.0
#> ✓ dplyr 1.0.5 ✓ tsibbledata 0.3.0
#> ✓ tidyr 1.1.3 ✓ feasts 0.2.1.9000
#> ✓ lubridate 1.7.10 ✓ fable 0.3.0.9000
#> ✓ ggplot2 3.3.3
best.model <- "NAIVE(copper)"
best.model <- eval_tidy(parse_expr(best.model))
best.model
#> <RW model definition>
model(prices, best.model)
#> # A mable: 1 x 1
#> best.model
#> <model>
#> 1 <NAIVE>
Создано 2021-05-11 пакетом reprex (v1.0.0)
Комментарии:
1. Это отлично сработало, Митч ура. Я не удивлен, что лучший туте 3550 нашел бы решение!
Ответ №2:
Вот решение, которое использует несколько иной подход, сначала определяя именованный список моделей на выбор, а затем используя best.model
для выбора из списка. Это, как правило, предпочтительнее, чем увязнуть в нестандартной оценке. Обратите также внимание, что я использовал для передачи аргументов без кавычек. {{
Вы заметите, что я также изменил некоторые имена объектов. Это связано с тем, что обычно следует избегать .
имен объектов, чтобы избежать путаницы с S3
системой объектно-ориентированного программирования в R.
library(fpp3)
my_forecast <- function(data, variable) {
# Define a list of models with sensible names
models <- list(
mean = fable::MEAN,
naive = fable::NAIVE
)
## cross validation models
cv_fit <- data %>%
select(year, {{ variable }}) %>%
stretch_tsibble(.init = 180, .step = 1) %>%
filter(.id != max(.id)) %>%
model(
mean = models$mean({{ variable }}),
naive = models$naive({{ variable }})
)
## cv forecasts
cv_fc <- cv_fit %>%
forecast(h = 1)
## cv accuracy
cv_accuracy <- cv_fc %>%
accuracy(data)
## pulls out the name of the best model
best_model <- cv_accuracy %>%
select(.model, .type, RMSE) %>%
arrange(RMSE) %>%
filter(row_number() == 1) %>%
pull(.model)
## pulls out 1 step forecast
fc <- data %>%
model("{best_model}" := models[[best_model]]({{ variable }})) %>%
forecast(h = 1)
fc
}
my_forecast(prices, copper)
#> # A fable: 1 x 4 [1Y]
#> # Key: .model [1]
#> .model year copper .mean
#> <chr> <dbl> <dist> <dbl>
#> 1 naive 1998 N(2.6, 0.69) 2.59
Создано 2021-05-11 пакетом reprex (v2.0.0)