分类错误 新数据的因子水平与原始数据不匹配

Question

我有这个数据集：

"chr","start","stop","strand","num_probes","segment_mean","is_nocnv"
chr18,52502759,52502887,*,2,-2.387,YES
chr18,52508963,68598272,*,9546,-0.3843,YES
chrX,17018571,63154896,*,18479,-0.0448,YES
chrX,63161754,63812965,*,265,-0.5375,YES
chrX,63816350,66632343,*,1071,0.1047,YES
chrX,66632547,67941468,*,558,-0.5452,YES
chrX,67947143,94288567,*,10251,-0.0625,YES
chr1,5902314,10246654,*,2415,-0.1312,NO
chr1,10249962,10255256,*,4,-1.4639,NO
chrX,66632547,67941468,*,605,-0.5472,NO
chrX,67947143,90967744,*,11378,-0.0608,NO
chrX,90968512,90971771,*,9,-0.9191,NO
chrX,90971889,92325108,*,520,-0.088,NO
etc...

我写了这段代码：

mydata= read.csv("prova.csv")
str(mydata)
set.seed(1234)
ind <- sample(2,nrow(mydata),replace=TRUE, prob= c(0.7,0.3))
trainData <- mydata[ind==1,]
testData <- mydata[ind==2,]

myFormula <- is_nocnv ~ chr + start + stop + strand + num_probes +     segment_mean
albero <- ctree(myFormula, data=trainData)
#check the prediction
table(predict(albero),trainData$is_nocnv)

然后我有一行新的测试数据集：

"chr","start","stop","strand","num_probes","segment_mean","is_nocnv"
chr18,52502759,52502887,*,2,-2.387,a

我想在这个测试数据集中预测“is_nocnv”的值（“a”不是真正的值）

为了我的目标，我插入以下代码：

testData= read.csv("TEST_DATA.csv")
testPred <- predict(albero,newdata= testData)
table(testPred,testData$is_nocnv)

这里： 我有错误：

> testPred <- predict(albero,newdata= testData)
 Error in checkData(oldData, RET) : 
  Levels in factors of new data do not match original data

不知道为什么？

Answer 1

您的新testData 在factor 变量上与trainData 的级别不同（在您的示例中为chr 和is_nocnv）。

检查levels(testData$is_nocnv) 和levels(trainData$is_nocnv)。 （$chr 相同）。

levels 需要相等。

从这个字符串：

chr18,52502759,52502887,*,2,-2.387,a

似乎是is_nocnv = a，但在你的火车上你只有YES/NO 标签。

确保使用相同的标签和相同的levels。

testData$is_nocnv <- factor("YES", levels = c("NO","YES")) # or "NO"

或更好：

testData$is_nocnv <- factor("YES", levels = levels(trainData$is_nocnv))

其他变量chr也一样：

testData$chr <- factor("chr18", levels = levels(trainData$chr))