简介这份面向R语言机器学习入门与进阶学习者的资料包围绕监督学习与非监督学习常见算法的代码实现展开适合希望用R完成数据预处理、回归建模、分类与聚类实践的数据分析人员。压缩包共20个文件约16KB以8个R脚本和6个CSV数据集为主前者承载算法与建模流程后者提供可运行的示例数据另含5个系统元数据文件与1个许可文件便于直接对照练习。已有245人学习下载说明其在R语言机器学习入门场景中具有一定参考价值。内容覆盖简单线性回归、多元线性回归、多项式回归、决策树回归、支持向量回归及数据预处理模板等模块读者可据此了解不同算法的R实现方式、数据组织结构和建模脚本的编写思路并在此基础上扩展随机森林、梯度提升、聚类等模型实践。1. 先别急着调包这套 R 语言机器学习算法实现适合谁R语言做机器学习真正的门槛往往不在算法公式而在把表格数据、因子水平、缺失值和重采样顺序串成一条能复现的链路。这套“R语言机器学习各种ML算法的实现”资源解决的就是从原始 CSV 到模型评估的整段落地问题回归、分类、树模型、聚类和降维都有对应实现适合已经会一点 R、但一调包就翻车的从业者也适合想把课程设计跑通的学生。它不是只给公式的讲义而是能照着改参数、换数据、看输出的工程样本。拿到手先别急着追高分先确认数据读入、类型转换、训练测试划分这三步能不能稳定跑通后面再谈模型选择。2. 拆包先看数据流目录、依赖与算法地图怎么读这套资源最值得先看的不是某个算法脚本而是数据流。R 语言机器学习项目常见的问题是脚本各自为战清洗脚本改一列建模脚本还在用旧列名训练时因子有五个水平预测时只剩三个。资源按数据层、脚本层、输出层组织读的时候先找入口脚本和依赖声明再顺着“读入—清洗—划分—建模—评估”走一遍。算法实现只是中间一段前后两端的接口稳定性决定了这套代码能不能复用到自己的数据上。2.1 目录与依赖先跑通最小闭环我一般先不看模型脚本先看数据读入和依赖加载。依赖装不齐后面所有报错都会伪装成算法问题。资源里的依赖通常集中在几个常见包统一建模接口、正则化回归、树模型、随机森林和基础统计。先把这些包检查一遍再跑一个空模型确认 R 环境、工作目录和包路径没有冲突。# 先检查资源脚本常见的依赖已安装的包不重复安装 pkgs - c(caret, glmnet, rpart, randomForest, e1071) to_install - pkgs[!vapply(pkgs, requireNamespace, logical(1), quietly TRUE)] if (length(to_install) 0) install.packages(to_install) # 载入关键包并用一个最小数据框确认建模接口可用 library(caret) library(glmnet) library(rpart) library(randomForest) mini - data.frame( y c(1.2, 2.1, 1.8, 3.2, 2.9), x1 c(0.5, 0.8, 1.1, 1.6, 2.0), x2 factor(c(A, A, B, B, B)) ) fit_mini - lm(y ~ ., data mini) summary(fit_mini) sessionInfo() # 记录运行环境排查包差异时先看这里这段代码先做依赖检查再做最小闭环。pkgs是资源脚本常用包列表requireNamespace静默检查包是否可用避免重复安装。mini数据框只用来验证公式接口、因子处理和lm能否正常返回不涉及真实业务数据。sessionInfo()会输出当前 R 环境和已加载包的信息后面出现“同一份代码两台机器结果不一样”时先对比这里。注意不要一上来就装一堆不相关的包依赖越多版本冲突越难排查。目录阅读也有顺序。先看数据层里有没有训练集、测试集和字段说明再看脚本层里有没有统一的预处理函数最后看输出层保存的是模型对象、预测结果还是评估表。R 的saveRDS和readRDS很常用模型对象里可能带着公式、因子水平和预处理参数丢一个就会在预测时翻车。资源如果提供了字段说明优先读字段说明不要靠str()猜列含义。2.2 算法地图与选型从线性模型到集成学习“各种 ML 算法”不等于每个算法都要在同一份数据上跑一遍。选型要看任务类型、样本量、特征维度和解释成本。资源里常见的算法可以按下面这张表理解表里的接口是 R 里常见的函数名实际脚本可能封装成函数但参数逻辑相近。任务类型常见算法R 接口示例关键参数适用场景回归线性回归lm()公式、因子处理基线模型、解释性强回归正则化回归glmnet()alpha、lambda特征多、共线性明显分类逻辑回归glm(family binomial)阈值、type response二分类基线、概率输出分类决策树rpart()cp、maxdepth规则清晰、可解释分类随机森林randomForest()ntree、mtry表格数据、非线性关系分类梯度提升对应提升包学习率、树数、深度追求精度、可调参聚类K 均值kmeans()centers、nstart无标签分群降维主成分分析prcomp()center、scale.高维可视化、去相关选型时先问三个问题目标是预测还是解释样本量够不够支撑复杂模型预测结果要不要给人看。线性回归和逻辑回归不是“低级算法”它们是最好的基线跑通后再上树模型和集成模型才能判断复杂模型带来的提升是不是真实。随机森林对因子水平和缺失值相对宽容但不代表可以跳过清洗mtry控制每次分裂随机抽取的变量数ntree控制树的数量树太少结果波动树太多训练时间上升但收益递减。梯度提升精度常常更好调参空间也更大新手先把学习率、树数和深度三个参数管住不要一上来铺大网格。资源里如果同时放了分类和回归脚本注意目标变量类型。回归目标写成因子lm()会报错或给出无意义结果分类目标写成数值glm()的家庭函数要跟着改。R 的公式接口很方便但公式里的.会把所有列都带进去包括 ID、时间和标签泄漏列。读脚本时看到y ~ .先检查数据框里有没有不该进模型的列。2.3 统一评估协议为什么先定指标再调参算法实现能不能信取决于评估协议是否统一。同一份数据A 脚本用准确率B 脚本用 AUCC 脚本只看混淆矩阵最后没法比较。资源如果提供统一评估函数先读它的正类定义、阈值和重采样方式。回归任务常用 RMSE、MAE 和 R²分类任务常用准确率、召回率、F1 和 AUC聚类任务看轮廓系数和业务可解释性。指标不是越多越好先定一个主指标再配一个辅助指标防止过拟合。# 统一重采样方案5 折交叉验证保存折外预测便于比较 set.seed(2024) ctrl - trainControl( method cv, number 5, classProbs TRUE, summaryFunction defaultSummary, savePredictions final ) # 回归任务用 5 折分类任务把 classProbs 打开 set.seed(2024) ctrl_reg - trainControl(method cv, number 5, savePredictions final)method cv指定交叉验证number 5是折数classProbs TRUE让分类模型输出类别概率后面算 AUC 或调阈值会用到。savePredictions final保存最终模型的折外预测方便做模型对比。set.seed()放在重采样之前保证每次划分一致。注意折数不是越大越好样本量小的时候 5 折比 10 折稳定样本量很大时 5 折也够用。评估协议定好后所有算法共用同一组折不要每个模型重新随机划分否则比较结果没有意义。3. 从原始表到建模矩阵R 里的清洗、特征与重采样R 语言机器学习算法实现里最容易被低估的是数据准备。原始表里常见空字符串、前后空格、数值列被读成字符、分类列水平不一致这些问题在lm()里可能只是报错在树模型里可能悄悄变成新水平。清洗阶段的目标不是把数据变漂亮而是让训练集和测试集共享同一套列类型、因子水平和缺失值处理参数。下面按读入、清洗变换、划分重采样三步走每一步都保留可复用的参数。3.1 数据读入与类型校正读入时先把空值和缺失值统一。read.csv()默认会把空字符串读成NA以外的形式字符列里的空格也会保留。建模前用trimws()清理分类列用as.factor()显式转换不要依赖自动推断。数值列如果被读成字符先查有没有千分位、货币符号或中文单位再决定是清洗还是放弃该列。# 读入时统一缺失值标记避免空字符串和 NA 混在一起 dat - read.csv( data/train.csv, stringsAsFactors FALSE, na.strings c(, NA, NULL) ) str(dat) # 显式指定数值列和分类列实际使用时按字段说明替换列名 num_cols - c(age, income, score) cat_cols - c(city, segment) dat[cat_cols] - lapply(dat[cat_cols], function(x) as.factor(trimws(x))) dat$target - as.numeric(dat$target) # 检查因子水平训练前先记录一份 schema lapply(dat[cat_cols], levels)stringsAsFactors FALSE防止字符列被自动转成因子后面可以按需控制水平顺序。na.strings把空字符串、NA和NULL统一成缺失值减少后续判断。trimws()清理分类列前后的空格避免A和A 被当成两个水平。as.numeric()强制目标变量为数值如果目标本来是分类应该改成as.factor()。最后用lapply(dat[cat_cols], levels)记录因子水平这个信息在预测时要复用。类型校正后做一次列检查ID 列、时间列、标签衍生列是否应该进模型。R 的公式y ~ .会把所有列都带进去ID 列进模型通常没有预测价值还会让树模型记住样本。时间列如果直接当数值可能引入未来信息。资源脚本里如果有select()或列筛选步骤先看它排除了哪些列再决定是否照搬。3.2 缺失值、异常值与特征变换缺失值处理要先看比例和机制。缺失比例很高的列先标记再决定是否删除缺失比例低的数值列可以用中位数填充分类列用众数填充。填充参数必须从训练集计算测试集复用否则就是数据泄漏。异常值不要一上来就删先看业务含义和分布用缩尾或对数变换处理长尾特征。# 统计缺失比例超过阈值的列先标记 na_rate - sort(colMeans(is.na(dat)), decreasing TRUE) na_rate[na_rate 0] # 数值列中位数填充因子列众数填充 median_fill - function(x) { med - median(x, na.rm TRUE) x[is.na(x)] - med x } mode_fill - function(x) { tab - table(x) x[is.na(x)] - names(tab)[which.max(tab)] x } dat[num_cols] - lapply(dat[num_cols], median_fill) dat[cat_cols] - lapply(dat[cat_cols], mode_fill)colMeans(is.na(dat))给出每列缺失比例先看哪些列值得保留。median_fill()用中位数填充数值缺失中位数比均值抗异常值。mode_fill()用众数填充分类缺失which.max(tab)取出现次数最多的水平。实际项目里要把med和众数保存下来预测时用同一组参数不能在新数据上重新计算。特征变换要看模型需求。线性模型和正则化模型对量纲敏感做标准化树模型对量纲不敏感但缺失值和因子水平仍然要处理。标准化参数同样只在训练集上计算。# 只在训练集上计算均值和标准差测试集复用 train_mean - colMeans(dat[num_cols], na.rm TRUE) train_sd - apply(dat[num_cols], 2, sd, na.rm TRUE) dat_scaled - as.data.frame( scale(dat[num_cols], center train_mean, scale train_sd) )center和scale分别指定中心化和缩放参数。scale()默认会对列做标准化这里显式传入训练集参数避免测试集信息进入训练。注意scale()返回矩阵用as.data.frame()转回数据框方便后续合并。标准差为 0 的列要提前剔除否则会产生NaN。3.3 训练测试划分与交叉验证划分要固定随机种子分类任务尽量分层。训练集和测试集的比例没有绝对标准样本量小的时候 7:3 或 8:2 都常见样本量很大时测试集可以小一些。交叉验证的折要在训练集内部生成测试集只在最终评估时用一次不要反复看测试集调参。set.seed(42) # 简单随机划分70% 训练30% 测试 idx - sample(seq_len(nrow(dat)), size floor(0.7 * nrow(dat))) train - dat[idx, ] test - dat[-idx, ] # 分类任务用分层划分保证训练集和测试集类别比例接近 set.seed(42) idx2 - createDataPartition(dat$target_class, p 0.7, list FALSE) train2 - dat[idx2, ] test2 - dat[-idx2, ] # 在训练集内部生成 5 折索引后续所有模型共用 set.seed(42) folds - createFolds(train$target_class, k 5, list TRUE, returnTrain FALSE) for (i in seq_along(folds)) { valid_idx - folds[[i]] fold_train - train[-valid_idx, ] fold_valid - train[valid_idx, ] }sample()是基础随机抽样size控制训练集大小。createDataPartition()的p 0.7是训练比例list FALSE返回索引向量分类任务会自动分层。createFolds()生成折外索引returnTrain FALSE表示返回验证集索引。折索引生成一次后保存下来后面所有模型共用不要在每个模型里重新set.seed()再划分否则模型比较会失真。4. 算法逐个落地回归、分类、树模型与无监督实现算法脚本要按任务拆开看。回归看残差和 RMSE分类看混淆矩阵和概率校准树模型看变量重要性和过拟合无监督看稳定性和业务解释。R 的公式接口统一但不同函数对数据的要求不一样lm()对因子会自动生成哑变量glmnet()需要自己构造矩阵randomForest()对因子水平数量有限制。下面按算法类型给出可复现的最小代码参数按常见场景设置实际使用时按数据规模调整。4.1 线性回归与正则化线性回归是最好的基线。先跑lm()看系数方向、显著性和残差分布再决定要不要上正则化。特征多、共线性强的时候普通最小二乘估计不稳定正则化回归通过惩罚项收缩系数。glmnet()的alpha控制惩罚类型alpha 1是 Lassoalpha 0是 Ridge中间值是弹性网。# 线性回归基线 fit_lm - lm(y ~ ., data train) summary(fit_lm) pred_lm - predict(fit_lm, newdata test) rmse_lm - sqrt(mean((test$y - pred_lm)^2, na.rm TRUE)) mae_lm - mean(abs(test$y - pred_lm), na.rm TRUE) # 正则化回归先构造模型矩阵保证训练和测试列对齐 library(glmnet) x_train - model.matrix(y ~ . - 1, data train) y_train - train$y x_test - model.matrix(y ~ . - 1, data test) set.seed(42) cv_fit - cv.glmnet(x_train, y_train, alpha 1, nfolds 5) pred_lasso - predict(cv_fit, newx x_test, s lambda.min)lm()的公式y ~ .会把所有列带入实际使用时先排除 ID 和泄漏列。predict()对新数据要求列名和类型一致。model.matrix()把因子展开成哑变量- 1去掉截距列避免和glmnet()默认截距重复。alpha 1是 Lassonfolds 5是内部交叉验证折数s lambda.min选择交叉验证误差最小的 lambda。正则化前要标准化否则量纲大的特征惩罚不均衡。4.2 逻辑回归与分类阈值二分类先跑逻辑回归输出概率再调阈值。默认阈值 0.5 不一定适合业务正类召回重要时可以把阈值调低误报成本高时调高。评估不要只看准确率类别不平衡时准确率会被多数类主导。# 逻辑回归二分类 fit_logit - glm(target_class ~ ., data train, family binomial) prob - predict(fit_logit, newdata test, type response) # 阈值可调先看混淆矩阵再决定 threshold - 0.5 pred_class - ifelse(prob threshold, yes, no) conf - table(Predicted pred_class, Actual test$target_class) conf acc - sum(diag(conf)) / sum(conf) recall - conf[yes, yes] / sum(conf[, yes]) precision - conf[yes, yes] / sum(conf[yes, ])family binomial指定逻辑回归type response输出概率而不是线性预测值。threshold是分类阈值改这个值会改变混淆矩阵。diag(conf)取对角线上的正确预测数recall和precision的分母分别对应真实正类和预测正类。注意table()的维度顺序要和预测、实际标签顺序一致否则指标会算反。4.3 树模型与集成学习决策树适合看规则随机森林适合表格数据。rpart()的cp控制复杂度修剪maxdepth控制树深树太深容易记住训练集。随机森林的ntree是树的数量mtry是每次分裂随机抽取的变量数importance TRUE打开变量重要性。# 决策树cp 越大树越简单maxdepth 限制深度 library(rpart) fit_tree - rpart( target_class ~ ., data train, method class, control rpart.control(cp 0.01, minsplit 20, maxdepth 5) ) pred_tree - predict(fit_tree, newdata test, type class) # 随机森林只放数值列示例实际项目先处理因子水平 library(randomForest) set.seed(42) fit_rf - randomForest( x train[, num_cols], y train$target_class, ntree 300, mtry 3, importance TRUE ) pred_rf - predict(fit_rf, newdata test[, num_cols]) importance(fit_rf)cp 0.01是复杂度参数值越大树越容易剪枝。minsplit 20是节点分裂的最小样本数maxdepth 5限制树深。ntree 300是森林中树的数量mtry 3是每次分裂抽取的变量数分类任务常用sqrt(特征数)附近的值。importance()输出变量重要性但重要性高不代表因果别过度解读。4.4 聚类与降维无监督任务没有标签评估更依赖稳定性和业务解释。K 均值先标准化再选中心数nstart多跑几次初始中心避免局部最优。主成分分析用于降维和可视化prcomp()的center和scale.控制中心化和缩放。# K 均值先标准化再聚类 set.seed(42) x_clu - scale(dat[num_cols]) km - kmeans(x_clu, centers 3, nstart 25, iter.max 100) km$cluster km$size # 主成分分析前面已经标准化这里不再重复 pca - prcomp(x_clu, center FALSE, scale. FALSE) summary(pca) pca$x[, 1:2]centers 3是聚类数nstart 25表示用 25 组初始中心取最优结果iter.max 100是最大迭代次数。km$size看每类样本数类别严重不均衡时考虑换算法或调整中心数。prcomp()的center FALSE和scale. FALSE是因为前面已经标准化避免重复处理。主成分解释方差比例看summary(pca)前两个主成分用于画图时注意坐标轴含义。4.5 统一评估与模型比较模型比较要在同一测试集、同一指标下做。回归用 RMSE、MAE、R²分类用准确率、召回率、F1。把结果整理成表不要只看单个数字。# 回归指标 rmse - sqrt(mean((test$y - pred_lm)^2, na.rm TRUE)) mae - mean(abs(test$y - pred_lm), na.rm TRUE) r2 - 1 - sum((test$y - pred_lm)^2, na.rm TRUE) / sum((test$y - mean(test$y))^2, na.rm TRUE) # 分类指标 conf - table(Predicted pred_class, Actual test$target_class) acc - sum(diag(conf)) / sum(conf) recall - conf[yes, yes] / sum(conf[, yes]) precision - conf[yes, yes] / sum(conf[yes, ]) f1 - 2 * precision * recall / (precision recall) # 整理模型对比表 data.frame( model c(linear, tree, random_forest), metric c(rmse_lm, NA, NA) )rmse对大误差更敏感mae更直观r2看解释比例。分类指标里precision和recall的分母容易写反先用小样本手算一遍再信代码。模型对比表只放真正跑过的模型空值不要硬填。5. 避坑与排查R 机器学习实现里最容易翻车的四件事R 语言机器学习算法实现的报错经常指向奇怪的位置predict()说列名不对glm()说找到 NA随机森林结果每次不一样。下面四条是血泪经验里最常见的情况按“现象—原因—解决”拆开。遇到问题先缩小到最小可复现样本再回来看资源和脚本。5.1 因子水平与预测列错位现象训练集能跑测试集predict()报错“因子有新的水平”或者模型矩阵列数对不上。原因训练集和测试集的因子水平不一致测试集缺少某个水平或者多了训练集没见过的水平。R 的公式接口会自动生成哑变量水平不一致时列名和列数都会变。解决训练前统一因子水平保存 schema预测前检查列名和类型。# 训练集水平为准测试集补齐缺失水平 train$city - factor(train$city, levels c(A, B, C)) test$city - factor(test$city, levels levels(train$city)) # 检查模型矩阵列名是否一致 x_train_mm - model.matrix(target_class ~ . - 1, data train) x_test_mm - model.matrix(target_class ~ . - 1, data test) stopifnot(identical(colnames(x_train_mm), colnames(x_test_mm)))factor(levels ...)显式固定水平测试集出现新水平时会变成NA比悄悄多一列安全。model.matrix()生成哑变量后用identical()检查列名不一致就停下。实际项目里把因子水平存成列表或 RDS预测脚本先读 schema 再转换不要靠read.csv()自动推断。5.2 数据泄漏与重采样顺序现象交叉验证分数很高上线后掉得厉害。原因先对全量数据做标准化、缺失值填充或特征选择再划分训练测试测试集信息进入训练。另一种常见错误是先在全量数据上选特征再做交叉验证。解决所有预处理放进重采样内部训练折算参数验证折复用。# 错误做法先全量标准化再划分 # dat_scaled - scale(dat[num_cols]) # idx - sample(...) # 正确做法在训练折内计算参数验证折复用 prep_fold - function(train_fold, valid_fold, cols) { med - apply(train_fold[cols], 2, median, na.rm TRUE) for (j in cols) { train_fold[[j]][is.na(train_fold[[j]])] - med[j] valid_fold[[j]][is.na(valid_fold[[j]])] - med[j] } list(train train_fold, valid valid_fold, med med) }prep_fold()只在训练折上算中位数再把同一组中位数应用到验证折。med要跟着模型一起保存预测新样本时复用。数据泄漏不会报错只会让评估虚高所以划分顺序要写死在脚本里别图省事。5.3 缺失值处理与模型接口不一致现象随机森林能跑逻辑回归报“NA/NaN/Inf”或者训练时填了缺失预测时新样本又有缺失。原因不同算法对缺失值容忍度不同预处理只做在训练集预测脚本没复用填充参数。解决统一插补流程训练和预测共用同一套参数。# 用插补模型处理缺失并保存插补器 library(rpart) impute_fit - rpart(income ~ age score segment, data train, method anova) train$income_filled - ifelse( is.na(train$income), predict(impute_fit, train), train$income ) test$income_filled - ifelse( is.na(test$income), predict(impute_fit, test), test$income )rpart()的method anova用于连续变量插补predict()对新数据给出预测值。ifelse()只替换缺失位置非缺失保持原值。插补器要保存预测脚本先加载再处理。注意插补特征不能包含目标变量否则会泄漏。5.4 随机种子、并行与结果不可复现现象同样参数跑两次随机森林结果不一样开了并行之后交叉验证分数波动。原因随机种子没固定并行计算的随机数流不同或者每次重新生成折索引。解决固定种子保存折索引调试阶段先串行。set.seed(123) fold_ids - createFolds(train$target_class, k 5, list FALSE) # 后续所有模型共用同一组 fold_ids不要每次重新 createFolds set.seed(123) fit_rf_1 - randomForest( x train[, num_cols], y train$target_class, ntree 300, mtry 3 )set.seed(123)固定随机数生成器createFolds()生成折索引后保存。randomForest()内部也有随机性set.seed()要放在建模前。并行计算时每个 worker 的随机数流可能不同调试阶段先foreach串行跑通再开并行。结果不可复现时先对比sessionInfo()和折索引不要一上来怀疑算法。6. 进阶用法把单次建模变成可复用的调参与验证流程单次跑通只是开始真正省时间的是把调参、验证和保存串成流程。随机森林的mtry可以用网格搜索回归的正则化参数用交叉验证选 lambda。调参不要直接看测试集测试集只在最后评估一次。嵌套交叉验证的外层评估泛化内层调参能减少调参带来的乐观偏差。# 随机森林调参内层交叉验证选 mtry set.seed(42) ctrl_tune - trainControl(method cv, number 5, savePredictions final) grid_rf - expand.grid(mtry c(2, 4, 6)) fit_grid - train( target_class ~ ., data train, method rf, trControl ctrl_tune, tuneGrid grid_rf, metric Accuracy, ntree 300 ) fit_grid$bestTune # 外层评估用固定折索引避免调参泄漏 outer_folds - createFolds(train$target_class, k 5, list TRUE) for (i in seq_along(outer_folds)) { outer_train - train[-outer_folds[[i]], ] outer_valid - train[outer_folds[[i]], ] inner_ctrl - trainControl(method cv, number 3) inner_fit - train( target_class ~ ., data outer_train, method rf, trControl inner_ctrl, tuneLength 3, ntree 300 ) pred - predict(inner_fit, outer_valid) # 在这里记录外层指标 }tuneGrid里的mtry是每次分裂抽取的变量数ntree固定在train()参数里。metric Accuracy指定主指标分类任务也可以换Kappa。嵌套交叉验证的外层折只用于评估内层折用于选参折索引要提前保存。调参表不要太大先粗网格再细网格否则训练时间会失控。模型保存要把预处理参数、因子水平和模型对象一起存。只存模型不存 schema预测脚本换个环境就可能列错位。# 保存模型和预处理参数 saveRDS( list(model fit_grid, num_cols num_cols, cat_levels lapply(train[cat_cols], levels)), output/model_bundle.rds ) # 预测时先读 bundle再按同一套列和水平处理新数据 bundle - readRDS(output/model_bundle.rds) new_dat - test new_dat[cat_cols] - lapply(cat_cols, function(x) { factor(new_dat[[x]], levels bundle$cat_levels[[x]]) }) pred_final - predict(bundle$model, newdata new_dat)saveRDS()保存的是 R 对象readRDS()读回后结构和类型保持不变。model_bundle里放模型、数值列名和因子水平预测前按同一套 schema 转换。predict()的newdata列名要和训练时一致缺列或多列都会报错。每次改完预处理重新保存 bundle不要只更新模型文件。从那以后我每次跑 R 机器学习脚本都强制先固定重采样索引、保存预处理参数再谈调参测试集只看一次预测脚本必须从 bundle 读 schema。希望帮到你。本文还有配套的精品资源点击获取
