我正在尝试使用vi_firm()在parsnip中创建的逻辑回归模型上计算特征重要性。我将使用iris数据集，并尝试预测一个观测是否属于setosa种类。
iris1 <- iris %>% mutate(class = case_when(Species == 'setosa' ~ 'setosa', TRUE ~ 'other'))iris1$class = as.factor(iris1$class)#set up logistic regression modeliris.lr = logistic_reg( mode="classification", penalty=NULL, mixture=NULL) %>% set_engine("glmnet")iris.fit = iris.lr %>% fit(class ~. , data = iris1)library(vip)vip::vi_firm(iris.fit, feature_names = features, train = iris1, type = 'classification')这会返回
错误：您是否应该使用
new_data而不是newdata？
我也在尝试使用相关的pdp包中的partial函数生成部分依赖图，我得到了同样的错误。
回答：
对于“glmnet”对象，正确的参数应该是s，而不是lambda，以与coef.glmnet保持一致（然而，目前用vi()调用它会因与scale参数的部分匹配而产生错误——我将在本周末推出一个修复；https://github.com/koalaverse/vip/issues/103）。此外，从版本0.2.2开始，vi_model应该可以直接与model_fit对象一起工作。所以这里正确的调用应该是：
> vi_model(iris_fit, s = iris_fit$fit$lambda[10]). ## A tibble: 4 x 3 Variable Importance Sign <chr> <dbl> <chr>1 Sepal.Length 0 NEG 2 Sepal.Width 0 NEG 3 Petal.Length -0.721 NEG 4 Petal.Width 0 NEG 关于vi_firm()和pdp::partial()，最简单的方法是创建您自己的预测包装器。每个函数的文档中应该有足够的细节，我们即将发表的论文中也有更多示例（https://github.com/koalaverse/vip/blob/master/rjournal/RJwrapper.pdf），但这里是一个基本的示例：
> # Data matrix (features only)> X <- data.matrix(subset(iris1, select = -class))> > # Prediction wrapper for partial dependence> pfun <- function(object, newdata) {+ # Return averaged prediciton for class of interest+ mean(predict(object, newx = newdata, s = iris_fit$fit$lambda[10], + type = "link")[, 1L])+ }> > # PDP-based VI> features <- setdiff(names(iris1), "class")> vip::vi_firm(+ object = iris_fit$fit, + feature_names = features, + train = X, + pred.fun = pfun+ )# A tibble: 4 x 2 Variable Importance <chr> <dbl>1 Sepal.Length 0 2 Sepal.Width 0 3 Petal.Length 1.274 Petal.Width 0 > > # PDP> pd <- pdp::partial(iris_fit$fit, "Petal.Length", pred.fun = pfun, + train = X)> head(pd) Petal.Length yhat1 1.000000 1.06447562 1.140476 0.96322283 1.280952 0.86197004 1.421429 0.76071725 1.561905 0.65946446 1.702381 0.5582116