r random forest error - 新数据中预测变量的类型不匹配

Question

我试图在R(quantregForest)中使用分位数回归森林函数,它建立在随机森林包上.我收到类型不匹配错误,我无法理解为什么.

我用它训练模型

qrf <- quantregForest(x = xtrain, y = ytrain)

哪个工作没有问题,但当我尝试用新数据测试时

quant.newdata <- predict(qrf, newdata= xtest)

它给出以下错误:

Error in predict.quantregForest(qrf, newdata = xtest) : 
Type of predictors in new data do not match types of the training data.

我的培训和测试数据来自单独的文件(因此是单独的数据框),但具有相同的格式.我已经检查了预测变量的类

sapply(xtrain, class)
sapply(xtest, class)

这是输出:

> sapply(xtrain, class)
pred1     pred2     pred3     pred4     pred5     pred6     pred7     pred8 
"factor" "integer" "integer" "integer"  "factor"  "factor" "integer"  "factor" 
pred9    pred10    pred11    pred12 
"factor"  "factor"  "factor"  "factor" 


> sapply(xtest, class)
pred1     pred2     pred3     pred4     pred5     pred6     pred7     pred8 
"factor" "integer" "integer" "integer"  "factor"  "factor" "integer"  "factor" 
pred9    pred10    pred11    pred12 
"factor"  "factor"  "factor"  "factor" 

它们完全一样.我还检查了"NA"值.xtrain和xtest都没有NA值.我在这里错过了一些小事吗？

更新I:对训练数据运行预测仍然会产生相同的错误

> quant.newdata <- predict(qrf, newdata = xtrain)
Error in predict.quantregForest(qrf, newdata = xtrain) : 
names of predictor variables do not match

更新II:我将训练和测试集合在一起,以便从1到101的行是训练数据,其余的是测试.我将(quantregForest)中提供的示例修改为:

data <-  read.table("toy.txt", header = T)
n <- nrow(data)
indextrain <- 1:101
xtrain <- data[indextrain, 3:14]
xtest <- data[-indextrain, 3:14]
ytrain <- data[indextrain, 15]
ytest <- data[-indextrain, 15]

qrf <- quantregForest(x=xtrain, y=ytrain)
quant.newdata <- predict(qrf, newdata= xtest)

它的工作原理!如果有人可以解释为什么它以这种方式工作而不是用另一种方式,我会很感激吗？

Answer 1

我有同样的问题.您可以尝试使用小技巧来均衡训练和测试集的类.将第一行训练集绑定到测试集,然后将其删除.对于您的示例,它应该如下所示:

    xtest <- rbind(xtrain[1, ] , xtest)
    xtest <- xtest[-1,]

Answer 2

@mgoldwasser一般是正确的,但是也有一个非常讨厌的错误predict.randomForest:即使你在训练和预测集中有完全相同的级别,也有可能得到这个错误.如果您有一个嵌入NA作为单独级别的因子,则可以执行此操作.问题是predict.randomForest基本上做了以下事情:

# Assume your original factor has two "proper" levels + NA level:
f <- factor(c(0,1,NA), exclude=NULL)

length(levels(f)) # => 3
levels(f)         # => "0" "1" NA

# Note that
sum(is.na(f))     # => 0
# i.e., the values of the factor are not `NA` only the corresponding level is.

# Internally predict.randomForest passes the factor (the one of the training set)
# through the function `factor(.)`.
# Unfortunately, it does _not_ do this for the prediction set.
# See what happens to f if we do that:
pf <- factor(f)

length(levels(pf)) # => 2
levels(pf)         # => "0" "1"

# In other words:
length(levels(f)) != length(levels(factor(f))) 
# => sad but TRUE

因此,它总是会丢弃NA训练集中的级别,并且总是会在预测集中看到一个额外的级别.

解决方法是NA在使用randomForest之前替换级别的值:

levels(f)[is.na(levels(f))] <- "NA"
levels(f) # => "0"  "1"  "NA"
          #              .... note that this is no longer a plain `NA`

现在调用factor(f)不会丢弃级别,并且检查成功.

Answer 3

发生这种情况是因为训练集和测试集中的因子变量具有不同的级别(更精确的测试集没有训练中存在的某些级别).因此,您可以通过使用以下代码来解决所有因子变量:

levels(test$SectionName) <- levels(train$SectionName)

Answer 4

扩展@ user1849895的解决方案:

common <- intersect(names(train), names(test)) 
for (p in common) { 
  if (class(train[[p]]) == "factor") { 
    levels(test[[p]]) <- levels(train[[p]]) 
  } 
}

Answer 5

这是每个不同因素水平的问题。您需要检查以确保测试集和训练集之间的因子水平保持一致。

这是随机森林的一个奇怪的怪癖，对我来说没有意义。