我在训练数据上开发了一个 LASSO 模型来预测 R 中的二元响应变量，使用交叉验证来选择我的 $\lambda$：
x = model.matrix(y ~ x1 + x2 + ... + x23, data=train)[, -1]
library(glmnet)
glm.train = glmnet(x, y = as.factor(train$y), alpha = 1, family = 'binomial')
plot(glm.train, xvar = "lambda") grid() glm.train.cv = cv.glmnet(x, y = train$dem, alpha = 1, family = 'binomial') opt.lambd = glm.train .cv$lambda.min train.fit.lasso = glmnet(x, y = train$dem, alpha = 1, family = 'binomial') predict(train.fit.lasso, s = opt.lambd, type = "coefficients ")[1:23, ]
然后我在测试数据上测试了模型，得到了可靠的结果（下面，我在测试数据上插入了模型的 ROC 曲线）：
在上面使用的训练和测试数据中，我都有响应变量的实际值，并且能够使用该model.matrix()函数来计算预测值。但是，我有第二部分测试数据，其中响应变量的每个值都是 NA。应用model.matrix()此数据后，我的矩阵的维度为 0x22：
> dim(x.predict)
[1] 0 22
我尝试了一些替代方法model.matrix()，但只是得到错误。例如，当我尝试使用 时data.matrix()，我的矩阵的尺寸是正确的：
> x.predict = data.matrix(predict.data[c(-1,-2,-3, -5,-6, -10, -14, -18,-19, -21, -26,-27, -34,-35,-36,-37)])
> dim(x.predict)
[1] 5010 23
但是，当我尝试使用我的模型估计概率或分类时，我收到以下错误：
> test$test.probs = predict(train.fit.lasso, newx = x.predict, s = opt.lambd, type = "response")
as.matrix(cbind2(1, newx) % % nbeta) 中的错误：在为函数“as.matrix”选择方法时评估参数“x”时出错：cbind2(1, newx) % % nbeta 中的错误：Cholmod文件 ../MatrixOps/cholmod_sdmult.c 第 90 行中的错误“X 和/或 Y 尺寸错误”
test$test.predicts = predict(train.fit.lasso, newx = x.predict[1:5010,], s = opt.lambd, type = "class") as.matrix(cbind2(1, newx) 中的错误% % nbeta) ：在为函数 'as.matrix' 选择方法时评估参数 'x' 时出错：cbind2(1, newx) 中的错误 % % nbeta ：Cholmod 错误 'X 和/或 Y 尺寸错误'文件 ../MatrixOps/cholmod_sdmult.c，第 90 行
有人在使用 LASSO 之前遇到过这个问题吗？或者，有人可以帮助我了解.matrix()LASSO 如何使用不同的函数，以及在响应值为 NA 时计算预测的可能解决方法吗？