错误：使用栅格属性表 (RAT) 时，新数据中的预测变量与训练数据的预测变量不匹配

Question

我有一个使用 caret 包训练的 RandomForest 模型，该包包含数字和分类预测变量。我正在尝试使用这个训练有素的模型对一个新数据集进行预测，该数据集是一个 rasterStack，每个预测变量都包含一个层。我已经使用raster 包中的ratify 函数将分类栅格图层转换为因子，并通过添加栅格属性表（RAT）添加了与训练集语法相对应的字符串，但是当我预测我收到以下错误：

# Error in predict.randomForest(modelFit, newdata) : 
# Type of predictors in new data do not match that of the training data. 

我认为我可能以某种方式错误地制定了 RAT，或者我误解了 RAT 的功能。下面是一个最小的可重现示例。对出了什么问题有任何想法吗？

require(caret)
require(raster)

set.seed(150)
data("iris")

# Training dataset
iris.x<-iris[,1:4]
iris.x$Cat<-"Low"
iris.x$Cat[1:60]<-"High"
iris.x$Cat<-as.factor(as.character(iris.x$Cat))
iris.y<-iris$Species

# Train RF model in Caret
ctrl<-trainControl("cv", num=5, p = 0.9)

mod<- train(iris.x,iris.y, 
              method="rf",
              trControl=trainControl(method = "cv"))

# Create raster stack prediction dataset
r <- raster(ncol=10, nrow=5)
tt <- sapply(1:4, function(x) setValues(r,  round(runif(ncell(r),1,5))))

#Categorical raster layer with RAT
r_cat<-raster(ncol=10, nrow=5)
r_cat[1:25]<-1
r_cat[26:50]<-2
ratr_cat <- ratify(r_cat)
rat <- levels(ratr_cat)[[1]]
rat$PCN <- c(1,2)
rat$PCN_level <- c('Low','High')
levels(ratr_cat) <- rat

#Stack raster layers
t.stack <- stack(c(tt,ratr_cat),RAT = TRUE)

#Make sure names in stack match training dataset
names(t.stack)<-c('Sepal.Length','Sepal.Width', 'Petal.Length', 'Petal.Width','Cat')

#Ensure that categorical layer still has RAT and is a factor
t.stack[['Cat']] #yep
is.factor(t.stack[['Cat']]) #yep

#Predict new data using model
mod_pred <- predict(t.stack, mod)

Answer 1

因子RasterLayer（属性层）似乎是（或被处理为）有序因子。所以你只需要用有序向量训练模型。你可以实现这一改变一行：

iris.x$Cat<- ordered(as.character(iris.x$Cat), levels = c("Low", "High"))