Tidymodels består av flere pakker som er utviklet for å bygge, optimere (eng. tune) og evaluere (eng. evaluate) prediksjonsmodeller. Alle funksjoner i Tidydmodels følger prinsippene i Tidyverse, noe som innebærer at operasjoner kjedes sammen ved hjelp av pipe (|>). Tidymodels er det aller viktigste verktøyet for den som har tenkt å lage prediksjonsmodeller i R. Med Tidymodels får brukeren et enhetlig grensesnitt mot hundrevis av pakker i R uten å måtte lære seg spesifikasjonene til hver enkelt pakke. Tidymodels forenkler arbeidet betydelig, selv om det i starten krever en større tidsinvestering å lære seg Tidymodels sammenlignet med en enkelt pakke.
Med Tidymodels effektiviseres følgende prosess:
- Pre-processing: I Tidymodels finnes det funksjoner for pre-processing. Dette gjøres ved å lage oppskrifter som inneholder instruksjoner for pre-processing (med pakken recipes), og som deretter brukes på prediksjonsmodeller (med pakken parsnip).
- Model building: Alle viktige og vanlige prediksjonsmodeller er integrert i Tidydmodels, for eksempel klassiske regresjonsmodeller, nevrale nettverk (dyp læring, deep learning), machine learning (random forest, gradient boosting, extreme gradient boosting osv.), overlevelsesmodeller og flere andre.
- Model tuning (optimering av modeller): I Tidymodels finnes det pakker som forenkler tuning av hyperparametere (med pakken tune). Dette er viktig for modeller der hyperparameterne må justeres for å forbedre modellen. Modellene sammenlignes med resampling (med pakken rsample).
- Model evaluation: For å evaluere modellene finnes pakken yardstick, der et bredt utvalg av performance metrics er tilgjengelig (RMSE, ROC, C-indeks og mange flere).
Tidymodels består altså av flere pakker som brukes til å bygge, optimere og evaluere prediksjonsmodeller. Pakkene som inngår i Tidymodels, er listet opp nedenfor.
rsample brukes til å dele data i treningsdata og testdata, og til å utføre resampling (f.eks. kryssvalidering). Dokumentasjon
parsnip brukes til å spesifisere modeller. Dokumentasjon
recipes bidrar med pre-processing og feature engineering. Dokumentasjon
workflows kobler sammen pre-processing, modeling og post-processing til én enkelt arbeidsflyt. Dokumentasjon
tune muliggjør optimering av modellers hyperparametere og pre-processing-trinn. Dokumentasjon
dials lager og håndterer hyperparametere. Dokumentasjon
yardstick tilbyr performance metrics (f.eks. ROC, RMSE, C-indeks osv.) for å evaluere og sammenligne modeller. Dokumentasjon
broom lager data frames som inneholder resultatene fra prediksjonsmodeller. Dokumentasjon