Tidymodels besteht aus mehreren Packages, die entwickelt wurden, um Vorhersagemodelle zu erstellen, zu optimieren (engl. tune) und zu evaluieren (engl. evaluate). Alle Funktionen in Tidydmodels folgen dem Prinzip des Tidyverse, das heißt, Arbeitsschritte werden mithilfe der Pipe (|>) miteinander verkettet. Tidymodels ist das mit Abstand wichtigste Werkzeug für alle, die in R Vorhersagemodelle erstellen möchten. Mit Tidymodels erhält der Anwender eine einheitliche Schnittstelle zu Hunderten von R-Packages, ohne die Spezifikationen jedes einzelnen Packages erlernen zu müssen. Tidymodels erleichtert die Arbeit erheblich, auch wenn die Einarbeitung in Tidymodels anfangs mehr Zeit erfordert als die in ein einzelnes Package.
Mit Tidymodels wird der folgende Prozess effizienter:
- Pre-processing: Tidymodels enthält Funktionen für das Pre-processing. Dazu werden Rezepte erstellt, die Anweisungen für das Pre-processing enthalten (mit dem Package recipes) und anschließend auf Vorhersagemodelle angewendet werden (mit dem Package parsnip).
- Model building: Alle wichtigen und gängigen Vorhersagemodelle sind in Tidydmodels integriert, beispielsweise klassische Regressionsmodelle, neuronale Netze (Deep Learning), Machine Learning (Random Forest, Gradient Boosting, Extreme Gradient Boosting usw.), Überlebenszeitmodelle und viele mehr.
- Model tuning (Optimierung von Modellen): Tidymodels enthält Packages, die das Tuning von Hyperparametern erleichtern (mit dem Package tune). Dies ist wichtig für Modelle, deren Hyperparameter angepasst werden müssen, um das Modell zu verbessern. Die Modelle werden mittels Resampling verglichen (mit dem Package rsample).
- Model evaluation: Zur Evaluation der Modelle gibt es das Package yardstick, in dem zahlreiche Performance-Metriken zur Verfügung stehen (RMSE, ROC, C-Index und viele mehr).
Tidymodels besteht also aus mehreren Packages, mit denen Vorhersagemodelle erstellt, optimiert und evaluiert werden. Die in Tidymodels enthaltenen Packages sind im Folgenden aufgeführt.
rsample wird verwendet, um Daten in Trainings- und Testdaten aufzuteilen und Resampling durchzuführen (z. B. Kreuzvalidierung). Dokumentation
parsnip wird verwendet, um Modelle zu spezifizieren. Dokumentation
recipes unterstützt beim Pre-processing und Feature Engineering. Dokumentation
workflows verbindet Pre-processing, Modellierung und Post-processing zu einem einzigen Workflow. Dokumentation
tune ermöglicht die Optimierung der Hyperparameter von Modellen sowie von Pre-processing-Schritten. Dokumentation
dials erstellt und verwaltet Hyperparameter. Dokumentation
yardstick stellt Performance-Metriken bereit (z. B. ROC, RMSE, C-Index usw.), um Modelle zu evaluieren und zu vergleichen. Dokumentation
broom erstellt Data Frames, die die Ergebnisse von Vorhersagemodellen enthalten. Dokumentation