我正在尝试使用 R 对以下数据执行逻辑回归：multinom()训练数据测试数据nnet
资料说明：
train 和 test 文件各有 10,000 行数据和 144 个变量，其中最后一列是“Predict”，也就是测试数据中应该预测的列。由于 predict 仅包含两个值 0 和 1（二进制），我开始使用multinom(). 大多数行是连续的数值，而少数字段包含名称字段，例如工作日名称（“Sunday”，“Monday”，...），这些都将被视为因素。
这是使用的以下代码：
train_data <- read.csv("train_data.csv")
test_data <- read.csv("test_data.csv")
library(nnet)
my_multinom <- multinom(formula= as.factor(Predict) ~ ., data= train_data)
predictions <- predict(my_multinom, test_data[,1:143])
输出是：
> summary(predictions)
0 1 NA's
130 52 9818
其中，NA's在 的Predict列中没有train_data：
> summary(as.factor(train_data$Predict))
0 1
9734 266
我想知道发生如此大量NA's（超过98％）的原因是什么以及如何进一步进行以避免这些NA's？