当你使用一个配方时，你是整个生产线的一部分，您不太可能希望自己在诊断目的之外使用prep()或bake()。我们推荐的是将配方与workflow()一起使用，以便能够将其附加到建模模型。这里我添加了一个线性回归规范。这两个可以一起使用fit()和predict()。但是你也可以将它们放入你的交叉验证循环中，根据你的需要使用fit_resamples()或tune_grid()。
有关详细信息，请参阅：

• https://www.tidymodels.org/start/

library(tidyverse)
library(tidymodels)

set.seed(1000)

mtcars <- mtcars |> 
  select(mpg, hp)
init_split <- initial_split(mtcars, prop = 0.9)
mtcars_training <- training(init_split)

mtcars_folds <- vfold_cv(mtcars_training, v = 3)

preprocessing_recipe <- recipe(mpg ~ hp,
                               data = mtcars_training) |>
  step_normalize(all_predictors())

lm_spec <- linear_reg()

wf_spec <- workflow() |>
  add_recipe(preprocessing_recipe) |>
  add_model(lm_spec)

resampled_fits <- fit_resamples(
  wf_spec,
  resamples = mtcars_folds,
  control = control_resamples(extract = function(x) {
    tidy(x, "recipe", number = 1)
  })
)

通过查看配方的估计值，我们可以看到工作流适合每个折叠。我在control_resamples()的extract参数中添加了一个函数，可以提取配方中计算的训练均值和sd。

resampled_fits |> 
  collect_extracts() |> 
  pull(.extracts)
#> [[1]]
#> # A tibble: 2 × 4
#>   terms statistic value id             
#>   <chr> <chr>     <dbl> <chr>          
#> 1 hp    mean      140.  normalize_x5pUR
#> 2 hp    sd         77.3 normalize_x5pUR
#> 
#> [[2]]
#> # A tibble: 2 × 4
#>   terms statistic value id             
#>   <chr> <chr>     <dbl> <chr>          
#> 1 hp    mean      144.  normalize_x5pUR
#> 2 hp    sd         57.4 normalize_x5pUR
#> 
#> [[3]]
#> # A tibble: 2 × 4
#>   terms statistic value id             
#>   <chr> <chr>     <dbl> <chr>          
#> 1 hp    mean      150.  normalize_x5pUR
#> 2 hp    sd         74.9 normalize_x5pUR

我们可以看到它们与原始褶皱的均值和sd相匹配

mtcars_folds$splits |>
  map(analysis) |>
  map(~ tibble(mean = mean(.x$hp), sd = sd(.x$hp)))
#> [[1]]
#> # A tibble: 1 × 2
#>    mean    sd
#>   <dbl> <dbl>
#> 1  140.  77.3
#> 
#> [[2]]
#> # A tibble: 1 × 2
#>    mean    sd
#>   <dbl> <dbl>
#> 1  144.  57.4
#> 
#> [[3]]
#> # A tibble: 1 × 2
#>    mean    sd
#>   <dbl> <dbl>
#> 1  150.  74.9