为什么我的逻辑回归模型输出的因子不是 2 个水平？（错误：`data`和`reference`应该是相同级别的因素。）答案

【问题标题】：Why isnt my logistic regression model output a factor of 2 levels? (Error: `data` and `reference` should be factors with the same levels.)为什么我的逻辑回归模型输出的因子不是 2 个水平？（错误：`data`和`reference`应该是相同级别的因素。）
【发布时间】：2020-04-29 18:01:47
【问题描述】：

通过阅读类似的问题，我知道问题在于 yhat.logisticReg 不是 2 个级别的因子，而 training.prepped$TARGET_FLAG 是。我认为可以通过更改我的模型或在预测中解决该问题，以便 yhat.logisticReg 是 2 个级别的因子。我该怎么做？

logisticReg = glm(TARGET_FLAG ~ .,
                  data = training.prepped,
                  family = binomial())
yhat.logisticReg = predict(logisticReg, training.prepped, type = "response")
confusionMatrix(yhat.logisticReg, training.prepped$TARGET_FLAG)

Error: `data` and `reference` should be factors with the same levels.

str(training.prepped$TARGET_FLAG)
Factor w/ 2 levels "0","1": 1 1 1 1 1 2 1 2 2 1 ...

str(yhat.logisticReg)
 Named num [1:8161] 0.1656 0.2792 0.3717 0.0894 0.272 ...
 - attr(*, "names")= chr [1:8161] "1" "2" "3" "4" ...

【问题讨论】：

嗨，Jacob，您正在尝试将一个因子与一个数值进行比较。您需要将 yhat.logisticReg 转换为二进制。
我认为是这样的。你会建议我怎么做？我可以在 predict 行之后简单地做一个列表理解 if/else 语句还是有更好的选择？ @Filipe Lauaur
您要优化哪个指标？我在 R 中有一个代码，可以找到解决问题的最佳阈值。比 if/else 更好。
我需要预测“崩溃”或“没有崩溃”。其中1 表示崩溃，0 表示没有崩溃。我不完全确定哪个指标最适合优化，但我认为confusionMatrix 函数报告的“准确性”将是一个不错的选择@Filipe Lauar

标签： r machine-learning classification logistic-regression r-caret

【解决方案1】：

您可能需要先选择一个阈值，然后将您的实值数据转换为二进制值，例如

a <- c(0.2, 0.7, 0.4)
threshold <- 0.5
binary_a <- factor(as.numeric(a>threshold))

str(binary_a)
Factor w/ 2 levels "0","1": 1 2 1

【讨论】：

这（通过我所做的编辑）解决了我的问题，尽管 Filipe 是正确的，即 0.5 可能不是最准确的阈值。 binary_a <- factor(a>threshold) 也可以工作，级别可能是“TRUE”和“FALSE”，这可能更合适，但正如它所写的那样，它与我的 TARGET_FLAG 变量匹配。
或者更好的是选择在测试集上最大化 AUC 或 kappa 的阈值。

【解决方案2】：

库插入符号具有方法confusionMatrix，该方法实现了多个指标。致电overall 即可获得准确率。如果您想要其他指标，您可以检查他们是否已实施并调用它。

library(caret)
acc = c()
for(value in yhat.logisticReg)
{
  predictions <- ifelse(yhat.logisticReg <= value, 0, 1)
  confusion_matrix = confusionMatrix(predictions, yhat.logisticReg)
  acc = c(acc,confusion_matrix$overall["Accuracy"])
}

best_acc = max(acc)
best_threshold  = yhat.logisticReg[which.max(acc)]

【讨论】：

我收到错误Error in accuracy(predictions, yhat.logisticReg) : could not find function "accuracy"
正如我所说，某些包中存在功能准确性，我将使用有效的代码更新答案。
当我调用best_acc 时，我得到1075.698 的结果，当我调用best_threshold 时，它返回<NA> NA 。这似乎是一个错误。
抱歉，Jacob，那个分位数是个错误。我更新了代码，我认为它现在可以工作了。