在使用插入符号的 train() 使用公式训练的 randomForest 对象上使用 predict() 时出错答案

【问题标题】：Error when using predict() on a randomForest object trained with caret's train() using formula在使用插入符号的 train() 使用公式训练的 randomForest 对象上使用 predict() 时出错
【发布时间】：2015-07-17 19:53:51
【问题描述】：

在 64 位 Linux 机器上使用带有插入符号 6.0-41 和 randomForest 4.6-10 的 R 3.2.0。

尝试对使用公式通过 caret 包中的 train() 函数训练的 randomForest 对象使用 predict() 方法时，该函数返回错误。通过randomForest() 和/或使用x= 和y= 而不是公式进行训练时，一切运行顺利。

这是一个工作示例：

library(randomForest)
library(caret)

data(imports85)
imp85     <- imports85[, c("stroke", "price", "fuelType", "numOfDoors")]
imp85     <- imp85[complete.cases(imp85), ]
imp85[]   <- lapply(imp85, function(x) if (is.factor(x)) x[,drop=TRUE] else x) ## Drop empty levels for factors.

modRf1  <- randomForest(numOfDoors~., data=imp85)
caretRf <- train( numOfDoors~., data=imp85, method = "rf" )
modRf2  <- caretRf$finalModel
modRf3  <- randomForest(x=imp85[,c("stroke", "price", "fuelType")], y=imp85[, "numOfDoors"])
caretRf <- train(x=imp85[,c("stroke", "price", "fuelType")], y=imp85[, "numOfDoors"], method = "rf")
modRf4  <- caretRf$finalModel

p1      <- predict(modRf1, newdata=imp85)
p2      <- predict(modRf2, newdata=imp85)
p3      <- predict(modRf3, newdata=imp85)
p4      <- predict(modRf4, newdata=imp85)

最后4行中，只有第二行p2 <- predict(modRf2, newdata=imp85)返回如下错误：

Error in predict.randomForest(modRf2, newdata = imp85) : 
variables in the training data missing in newdata

看来这个错误的原因是predict.randomForest方法使用rownames(object$importance)来确定用于训练随机森林object的变量的名称。看的时候

rownames(modRf1$importance)
rownames(modRf2$importance)
rownames(modRf3$importance)
rownames(modRf4$importance)

我们看到了：

[1] "stroke"   "price"    "fuelType"
[1] "stroke"   "price"    "fuelTypegas"
[1] "stroke"   "price"    "fuelType"
[1] "stroke"   "price"    "fuelType"

因此，不知何故，当使用带有公式的caret train() 函数时，会更改randomForest 对象的importance 字段中的（因子）变量的名称。

插入符号train()函数的公式和非公式版本之间真的不一致吗？还是我错过了什么？

【问题讨论】：

modRf3 <- randomForest(x=dataTrain[,c("stroke", "price", "fuelType")], y=dataTrain[, "numOfDoors"], data=imp85) Error in randomForest(x = dataTrain[, c("stroke", "price", "fuelType")], : object 'dataTrain' not found
正如所指出的，您没有在示例中定义dataTrain，这意味着问题不是reproducible。如果我们无法运行代码并获得与您相同的结果，那么帮助您并不容易。
我的错，dataTrain 应该是imp85，我编辑了原始问题中的代码。我还在调用中删除了选项data=imp85，其中明确提到了x 和y，因为它没有用处。

标签： r formula random-forest r-caret predict

【解决方案1】：

首先，几乎从不使用$finalModel 对象进行预测。使用predict.train。这是一个很好的例子。

某些函数（包括randomForest 和train）处理虚拟变量的方式存在一些不一致。 R 中使用公式方法的大多数函数会将因子预测变量转换为虚拟变量，因为它们的模型需要数据的数字表示。例外情况是基于树和基于规则的模型（可以根据分类预测变量进行拆分）、朴素贝叶斯和其他一些模型。

所以randomForest 在您使用randomForest(y ~ ., data = dat) 时不会创建虚拟变量，但train（和大多数其他人）将使用像train(y ~ ., data = dat) 这样的调用。

发生错误是因为fuelType 是一个因素。 train 创建的虚拟变量名称不同，因此 predict.randomForest 找不到它们。

对train 使用非公式方法会将因子预测变量传递给randomForest，一切都会正常进行。

TL;DR

如果您想要相同的级别或使用predict.train

，请使用train 的非公式方法

最大

【讨论】：

不幸的是，我没有足够的声誉来支持您的答案，但您完美地回答了我的问题。我一直想知道所有那些允许使用公式的函数，如果函数调用的公式和非公式版本之间的数据处理方式存在差异。现在我明白了！对于$finalModel的使用，我同意使用它通常不是一个好主意。这里我只是想比较caret和randomForest方法的结果。

【解决方案2】：

您收到此错误的原因可能有两个。

1.训练集和测试集中的分类变量的类别不匹配。要检查这一点，您可以运行以下内容。

嗯，首先，将自变量/特征保存在一个列表中是一种很好的做法。假设该列表是“vars”。并且说，您将“数据”分为“训练”和“测试”。走吧：

for (v in vars){
  if (class(Data[,v]) == 'factor'){
    print(v)
    # print(levels(Train[,v])) 
    # print(levels(Test[,v]))
    print(all.equal(levels(Train[,v]) , levels(Test[,v])))
  }  
}

找到不匹配的分类变量后，您可以返回，将测试数据的类别强加到训练数据上，然后重新构建模型。在类似于上面的循环中，对于每个 nonMatchingVar，你可以这样做

levels(Test$nonMatchingVar) <- levels(Train$nonMatchingVar)

2. 一个愚蠢的。如果您不小心将因变量留在了自变量集中，您可能会遇到此错误消息。我犯了那个错误。解决方案：小心一点。

【讨论】：

【解决方案3】：

另一种方法是使用model.matrix 对测试数据进行显式编码，例如

p2 <- predict(modRf2, newdata=model.matrix(~., imp85))

【讨论】：

【解决方案4】：

这不是您问题的答案，但我相信它会帮助其他人，因为它帮助了我。如果您在训练数据列中使用的测试数据列中缺少任何 NA，则预测将不起作用。您需要先估算这些值。

【讨论】：