【问题标题】：In tidymodel autoplot getting error: Error in pset$object[[which(pset$id == x_col)]] : attempt to select less than one element in get1index在 tidymodel 自动绘图中出现错误： pset$object[[which(pset$id == x_col)]] 中的错误：尝试在 get1index 中选择少于一个元素
【发布时间】：2021-07-15 15:50:51
【问题描述】：

我是 tidymodels 的新手，我正在尝试 David Robinson Sliced Customer Churn episode 中的代码，但遇到了一些错误。

问题：当我在创建模型后尝试执行 autoplot() 时，我收到此错误：

pset$object[[which(pset$id == x_col)]] 中的错误：尝试选择 get1index 中少于一个元素

（模型运行不到 20 秒）

数据来源：https://www.kaggle.com/c/sliced-s01e07-HmPsw2/data?select=train.csv

Youtube： https://www.youtube.com/watch?v=oCGmh3NIJ7I

非常感谢任何帮助！

代码：

library(tidyverse)
library(scales)
library(glue)
library(skimr)
library(tidymodels)

dataset <- read_csv("../Data/train.csv") %>% 
  mutate(churned = ifelse(attrition_flag == 1, "Yes","No")) %>% 
  select(-attrition_flag)

set.seed(2021)


spl <- initial_split(dataset)

train <- training(spl)
test <- testing(spl)

train_5fold <- train %>% vfold_cv(5)

建模

mset <- metric_set(mn_log_loss)

control <- control_grid(save_workflow = TRUE,
                        save_pred = TRUE,
                        extract = extract_model)

食谱

xg_rec_1 <- recipe(churned ~  gender + total_trans_amt + total_trans_ct + avg_utilization_ratio + 
         total_revolving_bal + total_relationship_count + total_ct_chng_q4_q1 + credit_limit + months_inactive_12_mon,
        data = train) %>% 

  step_dummy(all_nominal_predictors())

# model specs
xg_spec <- parsnip::boost_tree(learn_rate = 0.02) %>% 
  set_engine("xgboost") %>% 
  set_mode("classification")

# workflow
xg_wf_1 <- workflow() %>% 
  add_recipe(xg_rec_1) %>% 
  add_model(xg_spec)

# Model tuning
xg_res_1 <- xg_wf_1 %>% 
  tune_grid(
    resamples = train_5fold,
    metrics = mset,
    control = control,
    grid = crossing(trees = seq(20,700, 50),
    mtry = c(3,5,7)))

我尝试自动绘制此图时出错：

autoplot(xg_res_1)

pset$object[[which(pset$id == x_col)]] 中的错误：尝试选择 get1index 中少于一个元素

在 Youtube vid 中，他在 35:02 成功使用 autoplot() 进行绘图

【问题讨论】：

标签： r machine-learning tidymodels

【解决方案1】：

通过将trees = tune(), mtry = tune(), 添加到 boost_tree() 中，它起作用了。

xg_spec <- parsnip::boost_tree(trees = tune(),
    mtry = tune(),
    learn_rate = 0.02) %>% 
  set_engine("xgboost") %>% 
  set_mode("classification")

【讨论】：