当我尝试预测 R 中的类别概率时出错 - 插入符号

Posted

技术标签:

【中文标题】当我尝试预测 R 中的类别概率时出错 - 插入符号【英文标题】:Error when I try to predict class probabilities in R - caret 【发布时间】:2013-08-26 10:58:09 【问题描述】:

我已经使用插入符号构建了一个模型。培训完成后,我收到以下警告:

警告信息: 在 train.default(x, y, weights = w, ...) 中: 至少有一个类级别不是有效的 R 变量名称;如果生成类概率,这可能会导致错误,因为变量名称将转换为:X0,X1

变量的名称是:

      str(train)
'data.frame':   7395 obs. of  30 variables:
 $ alchemy_category              : Factor w/ 13 levels "arts_entertainment",..: 2 8 6 6 11 6 1 6 3 8 ...
 $ alchemy_category_score        : num  3737 2052 4801 3816 3179 ...
 $ avglinksize                   : num  2.06 3.68 2.38 1.54 2.68 ...
 $ commonlinkratio_1             : num  0.676 0.508 0.562 0.4 0.5 ...
 $ commonlinkratio_2             : num  0.206 0.289 0.322 0.1 0.222 ...
 $ commonlinkratio_3             : num  0.0471 0.2139 0.1202 0.0167 0.1235 ...
 $ commonlinkratio_4             : num  0.0235 0.1444 0.0426 0 0.0432 ...
 $ compression_ratio             : num  0.444 0.469 0.525 0.481 0.446 ...
 $ embed_ratio                   : num  0 0 0 0 0 0 0 0 0 0 ...
 $ frameTagRatio                 : num  0.0908 0.0987 0.0724 0.0959 0.0249 ...
 $ hasDomainLink                 : Factor w/ 2 levels "0","1": 1 1 1 1 1 1 1 1 1 1 ...
 $ html_ratio                    : num  0.246 0.203 0.226 0.266 0.229 ...
 $ image_ratio                   : num  0.00388 0.08865 0.12054 0.03534 0.05047 ...
 $ is_news                       : Factor w/ 2 levels "0","1": 2 2 2 2 2 1 2 1 2 1 ...
 $ lengthyLinkDomain             : Factor w/ 2 levels "0","1": 2 2 2 1 2 1 1 1 1 2 ...
 $ linkwordscore                 : num  24 40 55 24 14 12 21 5 17 14 ...
 $ news_front_page               : Factor w/ 2 levels "0","1": 1 1 1 1 1 1 1 1 1 1 ...
 $ non_markup_alphanum_characters: num  5424 4973 2240 2737 12032 ...
 $ numberOfLinks                 : num  170 187 258 120 162 55 93 132 194 326 ...
 $ numwords_in_url               : num  8 9 11 5 10 3 3 4 7 4 ...
 $ parametrizedLinkRatio         : num  0.1529 0.1818 0.1667 0.0417 0.0988 ...
 $ spelling_errors_ratio         : num  0.0791 0.1254 0.0576 0.1009 0.0826 ...
 $ label                         : Factor w/ 2 levels "0","1": 1 2 2 2 1 1 2 1 2 2 ...
 $ isVideo                       : Factor w/ 2 levels "0","1": 2 2 2 2 2 2 2 2 1 1 ...
 $ isFashion                     : Factor w/ 2 levels "0","1": 1 1 1 1 2 1 2 1 2 1 ...
 $ isFood                        : Factor w/ 2 levels "0","1": 2 2 2 2 2 2 2 2 2 2 ...
 $ hasComments                   : Factor w/ 2 levels "0","1": 1 2 2 2 2 1 2 2 1 2 ...
 $ hasGoogleAnalytics            : Factor w/ 2 levels "0","1": 1 1 1 1 2 1 2 2 2 1 ...
 $ hasInlineCSS                  : Factor w/ 2 levels "0","1": 1 2 2 2 1 1 2 1 2 2 ...
 $ noOfMetaTags                  : num  10 12 6 10 13 2 6 6 9 5 ...

我的代码如下:

ctrl <- trainControl(method = "CV",
                     number=10,
                     classProbs = TRUE,
                     allowParallel = TRUE,
                     summaryFunction = twoClassSummary)

set.seed(476)
rfFit <- train(formula,
               data=train,
               method = "rf",
               tuneGrid = expand.grid(.mtry = seq(4,20,by=2)),
               ntrees=1000,
               importance = TRUE,
               metric = "ROC",
               trControl = ctrl)


pred <- predict.train(rfFit, newdata = test, type = "prob") 

我收到错误:[.data.frame(out, , obsLevels, drop = FALSE) 中的错误: 选择了未定义的列

测试数据集上的变量名是:

str(test)
'data.frame':   3171 obs. of  29 variables:
 $ alchemy_category              : Factor w/ 13 levels "arts_entertainment",..: 8 4 12 4 10 12 12 8 1 2 ...
 $ alchemy_category_score        : num  5307 4825 1 6708 5416 ...
 $ avglinksize                   : num  2.56 3.77 2.27 2.52 1.85 ...
 $ commonlinkratio_1             : num  0.39 0.462 0.496 0.706 0.471 ...
 $ commonlinkratio_2             : num  0.257 0.205 0.385 0.346 0.161 ...
 $ commonlinkratio_3             : num  0.0441 0.0513 0.1709 0.123 0.0323 ...
 $ commonlinkratio_4             : num  0.0221 0 0.1709 0.0906 0 ...
 $ compression_ratio             : num  0.49 0.782 1.25 0.449 0.454 ...
 $ embed_ratio                   : num  0 0 0 0 0 0 0 0 0 0 ...
 $ frameTagRatio                 : num  0.0671 0.0429 0.0588 0.0581 0.093 ...
 $ hasDomainLink                 : Factor w/ 2 levels "0","1": 1 1 1 1 1 1 1 1 1 1 ...
 $ html_ratio                    : num  0.23 0.366 0.162 0.147 0.244 ...
 $ image_ratio                   : num  0.19944 0.08 10 0.00596 0.03571 ...
 $ is_news                       : Factor w/ 2 levels "0","1": 2 1 1 2 2 1 1 2 1 1 ...
 $ lengthyLinkDomain             : Factor w/ 2 levels "0","1": 2 2 2 2 1 2 2 1 1 1 ...
 $ linkwordscore                 : num  15 62 42 41 34 35 15 22 41 7 ...
 $ news_front_page               : Factor w/ 2 levels "0","1": 1 1 1 1 1 1 1 1 1 1 ...
 $ non_markup_alphanum_characters: num  5643 382 2420 5559 2209 ...
 $ numberOfLinks                 : num  136 39 117 309 155 266 55 145 110 1 ...
 $ numwords_in_url               : num  3 2 1 10 10 7 1 9 5 0 ...
 $ parametrizedLinkRatio         : num  0.2426 0.1282 0.5812 0.0388 0.0968 ...
 $ spelling_errors_ratio         : num  0.0806 0.1765 0.125 0.0631 0.0653 ...
 $ isVideo                       : Factor w/ 2 levels "0","1": 1 2 1 2 2 2 1 1 2 2 ...
 $ isFashion                     : Factor w/ 2 levels "0","1": 1 1 1 1 1 2 1 1 1 1 ...
 $ isFood                        : Factor w/ 2 levels "0","1": 2 2 2 2 2 2 2 2 2 2 ...
 $ hasComments                   : Factor w/ 2 levels "0","1": 2 1 1 2 2 2 1 2 2 1 ...
 $ hasGoogleAnalytics            : Factor w/ 2 levels "0","1": 1 2 2 2 2 1 1 2 1 1 ...
 $ hasInlineCSS                  : Factor w/ 2 levels "0","1": 2 2 2 1 1 2 2 2 1 1 ...
 $ noOfMetaTags                  : num  3 6 5 9 16 22 6 9 7 0 ...

如果我省略 type="prob" 部分,则不会出错。

有什么想法吗?

可能是变量“alchemy_category”的长度附加了相应的因子水平,例如模型里面有“alchemy_categoryarts_entertainment”??

【问题讨论】:

不是这些变量的长度。我缩短了它们,但问题仍然存在.. 我删除了所有因素(当然除了响应变量),我一直收到同样的错误!! trainControl中设置classProbs = FALSE 【参考方案1】:

正如@Sam Firke 已经在 cmets 中指出的那样(但我忽略了它),TRUE/FALSE 级别也不起作用。所以我将它们转换为是/否。

【讨论】:

【参考方案2】:

如上所述,类值必须是因子并且必须是有效名称。另一种确保这一点的方法是,

levels(all.dat$target) <- make.names(levels(factor(all.dat$target)))

【讨论】:

这会保留数据集吗?因为我使用了这行代码,而我的“y”变量现在是 X0 和 X1 的因子形式,结果为 0 和 1。【参考方案3】:

根据上面的示例,通常重构结果变量将解决问题。在划分为训练和测试数据集之前最好先更改原始数据集

级别

正如其他人之前指出的那样,这个问题仅在 classProbs=TRUE 时才会出现,这会导致 train 函数生成与结果类相关的额外统计信息

【讨论】:

【参考方案4】:

在遇到类似问题时,我已经阅读了上面的答案。正式的解决方案是在训练和测试数据集上执行此操作。确保在 feature.names 中也包含响应变量。

feature.names=names(train)

for (f in feature.names) 
  if (class(train[[f]])=="factor") 
    levels <- unique(c(train[[f]]))
    train[[f]] <- factor(train[[f]],
                   labels=make.names(levels))
  

这将为所有因素创建语法正确的标签。

【讨论】:

【参考方案5】:

答案在帖子顶部以粗体显示=]

你在建模什么?是alchemy_category吗?代码只写了formula,我们看不到。

当您询问类别概率时,模型预测是一个数据框,每个类别/级别都有单独的列。如果alchemy_category 没有作为有效列名的级别,则data.frame 将其转换为有效名称。这会产生一个问题,因为代码正在寻找一个特定的名称,但数据框却是一个不同的(但有效的)名称。

例如,如果我有

> test <- factor(c("level1", "level 2")) 
> levels(test)
[1] "level 2" "level1" 
> make.names(levels(test))
[1] "level.2" "level1"

代码会寻找“level 2”,但只有“level.2”。

【讨论】:

抱歉,我的公式没有包含在这里。我为“标签”建模,因此为“0”或“1”。 “答案在我的帖子顶部以粗体显示=]”是什么意思?我不明白。 @Stergios 他的意思是您包含的警告消息解释了出了什么问题。由于“0”和“1”不是有效的 R 变量名称,因此在生成类概率时会出错。 很好的解释。我的课程为 0 和 1,但由于上述错误消息,它一直失败。将它们更改为“否”和“是”可以解决问题。 如果您预测逻辑结果,请注意 TRUEFALSE 不是可接受的列名。 在我的例子中,解决方案是删除因子 levels 中的 空格。我的意思是,在将 char 列转换为 factor 之前,我做了类似的事情:train_b &lt;- train_a %&gt;% mutate(state=recode(state,'Fully Paid'='FullyPaid'))

以上是关于当我尝试预测 R 中的类别概率时出错 - 插入符号的主要内容,如果未能解决你的问题,请参考以下文章

R(插入符号)-在循环中训练“mlpML”模型时出错

在 R 中将 predict() 与 randomForest 一起使用时出错

XGB:展示每个预测结果的各特征概率

R ranger 包中的预测概率

在 R 的插入符号训练函数中使用“ROC”度量的问题

机器学习中的贝叶斯方法---先验概率似然函数后验概率的理解及如何使用贝叶斯进行模型预测