gbm 函数中的下标越界

Question

我遇到了一个奇怪的问题。我已经在我的笔记本电脑上成功运行了这段代码，但是当我首先尝试在另一台机器上运行它时，我收到了这个警告 假设没有指定分布，假设 bernoulli ...，这是我所期望的，但后来我得到了这个错误： Error in object$var.levels[[i]] : subscript out of bounds

library(gbm)
gbm.tmp <- gbm(subxy$presence ~ btyme + stsmi + styma + bathy,
                data=subxy,
                var.monotone=rep(0, length= 4), n.trees=2000, interaction.depth=3,
                n.minobsinnode=10, shrinkage=0.01, bag.fraction=0.5, train.fraction=1,
                verbose=F, cv.folds=10)

有人可以帮忙吗？数据结构完全一样，一样的代码，一样的R。我这里连下标都没用。

编辑：回溯（）

6: predict.gbm(model, newdata = my.data, n.trees = best.iter.cv)
5: predict(model, newdata = my.data, n.trees = best.iter.cv)
4: predict(model, newdata = my.data, n.trees = best.iter.cv)
3: gbmCrossValPredictions(cv.models, cv.folds, cv.group, best.iter.cv, 
       distribution, data[i.train, ], y)
2: gbmCrossVal(cv.folds, nTrain, n.cores, class.stratify.cv, data, 
       x, y, offset, distribution, w, var.monotone, n.trees, interaction.depth, 
       n.minobsinnode, shrinkage, bag.fraction, var.names, response.name, 
       group)
1: gbm(subxy$presence ~ btyme + stsmi + styma + bathy, data = subxy,var.monotone = rep(0, length = 4), n.trees = 2000, interaction.depth = 3, n.minobsinnode = 10, shrinkage = 0.01, bag.fraction = 0.5, train.fraction = 1, verbose = F, cv.folds = 10)

是否因为我将保存的 R 工作区移动到另一台机器而有什么事情要做？

编辑 2：好的，所以我已经更新了代码正在运行的机器上的 gbm 包，现在我得到了同样的错误。所以在这一点上，我认为旧的 gbm 包可能没有这个检查，或者新版本有一些问题。我对gbm不太了解，不能说。

Answer 1

只是一种预感，因为我看不到你的数据，但我相信当你在测试集中存在可变级别而在训练集中不存在时会发生错误。

当您有一个具有大量级别的因子变量，或者一个级别的实例数量较少时，这很容易发生。

由于您使用的是 CV 折叠，因此其中一个循环上的保留集可能对训练数据具有外来水平。

我建议：

A) 使用 model.matrix() 对因子变量进行一次性编码

B) 继续设置不同的种子，直到获得没有出现此错误的 CV 拆分。

编辑：是的，通过该回溯，您的第三个 CV 坚持在其测试集中具有训练中不存在的因子水平。所以 predict 函数看到了一个外来值，不知道该怎么做。

编辑 2：这里有一个简单的例子来说明我所说的“不在测试集中的因素水平”

#Example data with low occurrences of a factor level:

set.seed(222)
data = data.frame(cbind( y = sample(0:1, 10, replace = TRUE), x1 = rnorm(10), x2 = as.factor(sample(0:10, 10, replace = TRUE))))
data$x2 = as.factor(data$x2)
data

      y         x1 x2
 [1,] 1 -0.2468959  2
 [2,] 0 -1.2155609  6
 [3,] 0  1.5614051  1
 [4,] 0  0.4273102  5
 [5,] 1 -1.2010235  5
 [6,] 1  1.0524585  8
 [7,] 0 -1.3050636  6
 [8,] 0 -0.6926076  4
 [9,] 1  0.6026489  3
[10,] 0 -0.1977531  7

#CV fold.  This splits a model to be trained on 80% of the data, then tests against the remaining 20%.  This is a simpler version of what happens when you call gbm's CV fold.

CV_train_rows = sample(1:10, 8, replace = FALSE) ; CV_test_rows = setdiff(1:10, CV_train_rows)
CV_train = data[CV_train_rows,] ; CV_test = data[CV_test_rows,]

#build a model on the training... 

CV_model = lm(y ~ ., data = CV_train)
summary(CV_model)
#note here: as the model has been built, it was only fed factor levels (3, 4, 5, 6, 7, 8) for variable x2

CV_test$x2
#in the test set, there are only levels 1 and 2.

#attempt to predict on the test set
predict(CV_model, CV_test)

Error in model.frame.default(Terms, newdata, na.action = na.action, xlev = object$xlevels) : 
factor x2 has new levels 1, 2

Answer 2

我遇到了同样的问题，并最终通过更改 gbm 包中名为 predict.gbm 的隐藏函数之一来解决它。此函数通过交叉验证从划分的训练集上预测训练集上的训练 gbm 对象的测试集。

问题是通过的测试集应该只有特征对应的列，所以你应该修改函数。