重用模型来预测新的观察结果
如果模型的计算成本不高，我倾向于在 R 脚本中记录整个模型构建过程，并在需要时重新运行。如果模型拟合中涉及随机元素，我确保设置一个已知的随机种子。
如果模型的计算成本很高，那么我仍然使用上面的脚本，但使用保存模型对象save()进入和 rda 对象。然后，我倾向于修改脚本，以便如果保存的对象存在，则加载它，或者如果不存在，则使用简单的方法重新拟合模型if()...else子句包裹着代码的相关部分。
加载保存的模型对象时，请务必重新加载任何所需的包，尽管在您的情况下，如果 logit 模型适合通过glm()除了 R 之外，不会加载任何其他包。
这是一个例子：
> set.seed(345)
> df <- data.frame(x = rnorm(20))
> df <- transform(df, y = 5 + (2.3 * x) + rnorm(20))
> ## model
> m1 <- lm(y ~ x, data = df)
> ## save this model
> save(m1, file = "my_model1.rda")
>
> ## a month later, new observations are available:
> newdf <- data.frame(x = rnorm(20))
> ## load the model
> load("my_model1.rda")
> ## predict for the new `x`s in `newdf`
> predict(m1, newdata = newdf)
1 2 3 4 5 6
6.1370366 6.5631503 2.9808845 5.2464261 4.6651015 3.4475255
7 8 9 10 11 12
6.7961764 5.3592901 3.3691800 9.2506653 4.7562096 3.9067537
13 14 15 16 17 18
2.0423691 2.4764664 3.7308918 6.9999064 2.0081902 0.3256407
19 20
5.4247548 2.6906722
如果想自动执行此操作，那么我可能会在脚本中执行以下操作：
## data
df <- data.frame(x = rnorm(20))
df <- transform(df, y = 5 + (2.3 * x) + rnorm(20))
## check if model exists? If not, refit:
if(file.exists("my_model1.rda")) {
## load model
load("my_model1.rda")
} else {
## (re)fit the model
m1 <- lm(y ~ x, data = df)
}
## predict for new observations
## new observations
newdf <- data.frame(x = rnorm(20))
## predict
predict(m1, newdata = newdf)
当然，数据生成代码将被加载实际数据的代码所取代。
用新的观察结果更新先前拟合的模型
如果您想使用其他新观测值重新拟合模型。然后update()是一个有用的函数。它所做的只是使用更新的一个或多个模型参数来重新拟合模型。如果要在用于拟合模型的数据中包含新观察结果，请将新观察结果添加到传递给参数的数据框中'data'，然后执行以下操作：
m2 <- update(m1, . ~ ., data = df)
where m1是原始的、保存的模型拟合，. ~ .是模型公式的变化，在这种情况下意味着包括左侧和右侧的所有现有变量~（换句话说，不对模型公式进行任何更改），并且df是用于拟合原始模型的数据框，扩展为包括新可用的观测值。
这是一个工作示例：
> set.seed(123)
> df <- data.frame(x = rnorm(20))
> df <- transform(df, y = 5 + (2.3 * x) + rnorm(20))
> ## model
> m1 <- lm(y ~ x, data = df)
> m1
Call:
lm(formula = y ~ x, data = df)
Coefficients:
(Intercept) x
4.960 2.222
>
> ## new observations
> newdf <- data.frame(x = rnorm(20))
> newdf <- transform(newdf, y = 5 + (2.3 * x) + rnorm(20))
> ## add on to df
> df <- rbind(df, newdf)
>
> ## update model fit
> m2 <- update(m1, . ~ ., data = df)
> m2
Call:
lm(formula = y ~ x, data = df)
Coefficients:
(Intercept) x
4.928 2.187
其他的都在评论里提到过formula()，从拟合模型中提取公式：
> formula(m1)
y ~ x
> ## which can be used to set-up a new model call
> ## so an alternative to update() above is:
> m3 <- lm(formula(m1), data = df)
但是，如果模型拟合涉及其他参数，例如'family', or 'subset'更复杂的模型拟合函数中的参数。如果update()方法可用于您的模型拟合函数（它们适用于许多常见的拟合函数，例如glm()），它提供了比提取和重用模型公式更简单的方法来更新模型拟合。
如果您打算在 R 中进行所有建模和未来预测，那么通过 PMML 或类似方法抽象模型似乎没有多大意义。
