2

我使用一个lars模型并将其应用于具有数值数据和因子的大型数据集（75 个特征）。

我通过以下方式训练模型

mm <- model.matrix(target~0+.,data=data)
larsMod <- lars(mm,data$target,intercept=FALSE)

这提供了一个很好的样本内拟合。如果我将它应用于 testdata

mm.test <- model.matrix(target~0+.,,data=test.data)
predict(larsMod,mm.test,type="fit",s=length(larsMod$arc.length))

然后我收到错误消息

Error in scale.default(newx, object$meanx, FALSE) : 
  length of 'center' must equal the number of columns of 'x'

我认为这与数据集中因素水平不同的事实有关。然而

which(! colnames(mm.test) %in% colnames(mm) )

给出一个空的结果，而

which(! colnames(mm) %in% colnames(mm.test) )

给出 3 个索引。因此，训练集中确实出现了 3 个因子水平，但测试集中没有出现。为什么这会导致问题？我该如何解决这个问题？

代码打击用一个玩具示例说明了这一点。在测试数据集中，该因子没有级别“l3”。

require(lars)

data.train = data.frame( target = c(0,1,0,1,1,1,1,0,0,0), f1 = rep(c("l1","l2","l1","l2","l3"),2), n1 = rep(c(1,2,3,4,5),2))
test.data = data.frame(f1 = rep(c("l1","l2","l1","l2","l2"),2),n1 = rep(c(7,4,3,4,5),2) )

mm <- model.matrix(target~0+f1+n1,data = data.train)
colnames(mm)
length(colnames(mm))
larsMod <- lars(mm,data.train$target,intercept=FALSE)

mm.test <- model.matrix(~0+f1+n1,data=test.data)
colnames(mm.test)
length( colnames(mm.test) )
which(! colnames(mm.test) %in% colnames(mm) )
which(! colnames(mm) %in% colnames(mm.test) )

predict(larsMod,mm.test,type="fit",s=length(larsMod$arc.length))
4

1 回答 1

1

我可能很不喜欢这里，但在我的领域中，如果找不到它期望的变量，预测就不起作用。因此，我尝试了如果我将模型矩阵强制为 0，而不是在测试数据中的因子（f1l3），会发生什么。

注意1：我在测试数据中创建了一个目标变量，因为否则我无法让您的代码运行

set.seed(123)
test.data$target <- rbinom(nrow(test.data),1,0.2)


#proof of concept:
mm.test <- model.matrix(target~0+f1+n1,data=test.data)
mm.test1 <- cbind(f1l3=0,mm.test)

predict(larsMod,mm.test1[,colnames(mm)],type="fit",s=length(larsMod$arc.length)) #runs
#runs!

现在泛化以允许在测试数据中缺少因子时创建“完整”模型矩阵。

#missing columns
mis_col <- setdiff(colnames(mm), colnames(mm.test))

#matrix of missing levels
mis_mat <- matrix(0,ncol=length(mis_col),nrow=nrow(mm.test))
colnames(mis_mat) <- mis_col

#bind together
mm.test2 <- cbind(mm.test,mis_mat)[,colnames(mm)] #to ensure ordering, yielded different results in my testing
predict(larsMod,mm.test2,type="fit",s=length(larsMod$arc.length)) #runs

注2：我不知道如果问题反过来会发生什么（测试数据中存在的因素不在训练数据中）

于 2015-11-26T10:35:47.860 回答