UseMethod("predict") : 没有适用于“预测”的方法应用于“火车”类的对象
Posted
技术标签:
【中文标题】UseMethod("predict") : 没有适用于“预测”的方法应用于“火车”类的对象【英文标题】：UseMethod("predict") : no applicable method for 'predict' applied to an object of class "train" 【发布时间】：2016-12-02 02:14:50 【问题描述】：我有一个模型 (fit)，基于上个月之前的历史信息。现在我想预测当月使用我的模型。当我尝试调用以下代码时：
predicted <- predict(fit, testData[-$Readmit])
我收到以下错误：
Error in UseMethod("predict") : no applicable method for 'predict'
applied to an object of class "train"
注意事项：
-
拟合模型是通过以下方式创建的：
train 函数来自 caret 包，使用随机森林算法
predict 是一个通用函数，它将根据第一个输入参数调用特定的预测函数。就我而言，它将是：
>fit$modelInfo$label
[1] "Random Forest"
因此调用的预测方法将是：predict.randomForest。有关详细信息，请参阅 [插入符号文档][3]。
这里是生成模型并调用它的摘要源代码：
# Script-1: create a model:
fit <- train(testData[-$Readmit], testData$Readmit)
saveRDS(fit, modelFileName) # save the fit object into a file
# Script-2: predict
fit <- readRDS(modelFileName) # Load the model (generated previously)
predicted <- predict(fit, testData[-$Readmit])
注意：生成模型的执行时间约为 3 小时，这就是为什么我保存对象以便之后重复使用。
来自训练模型的数据集如下结构：
> str(fit$trainingData)
'data.frame': 29955 obs. of 27 variables:
$ Acuity : Factor w/ 3 levels "Elective ","Emergency ",..: 2 2 2 1 1 2 2 2 1 1 ...
$ AgeGroup : Factor w/ 10 levels "100-105","65-70",..: 8 6 9 9 5 4 9 2 3 2 ...
$ IsPriority : int 0 0 0 0 0 0 0 0 0 0 ...
$ QNXTReferToId : int 115 1703712 115 3690 1948 115 109 512 481 1785596 ...
$ QNXTReferFromId : int 1740397 1724801 1711465 1704170 1714272 1731911 1535 1712758 1740614 1760252 ...
$ iscasemanagement : Factor w/ 2 levels "N","Y": 2 1 1 2 2 1 2 1 2 2 ...
$ iseligible : Factor w/ 2 levels "N","Y": 2 2 2 2 2 2 2 2 2 2 ...
$ referralservicecode : Factor w/ 11 levels "12345","278",..: 1 1 1 9 9 1 1 6 9 9 ...
$ IsHighlight : Factor w/ 2 levels "N","Y": 1 1 1 1 1 1 1 1 1 1 ...
$ admittingdiagnosiscode: num 439 786 785 786 428 ...
$ dischargediagnosiscode: num 439 0 296 786 428 ...
$ RealLengthOfStay : int 3 1 6 1 2 3 3 7 3 2 ...
$ QNXTPCPId : int 1740397 1724801 1711465 1704170 1714272 1731911 1535 1712758 1740614 1760252 ...
$ QNXTProgramId : Factor w/ 3 levels "QMXHPQ0839 ",..: 1 1 1 1 1 1 1 1 1 1 ...
$ physicalzipcode : int 33054 33712 33010 33809 33010 33013 33142 33030 33161 33055 ...
$ gender : Factor w/ 2 levels "F","M": 1 1 1 1 2 1 1 2 2 1 ...
$ ethnicitycode : Factor w/ 4 levels "ETHN0001 ",..: 4 4 4 4 4 4 4 4 4 4 ...
$ dx1 : num 439 786 296 786 428 ...
$ dx2 : num 439 292 785 786 428 ...
$ dx3 : num 402 0 250 0 0 ...
$ svc1 : int 0 120 120 762 762 120 120 120 762 762 ...
$ svc2 : int 120 0 0 0 0 0 0 0 0 0 ...
$ svc3 : int 0 0 0 0 0 0 0 0 0 0 ...
$ Disposition : Factor w/ 28 levels "0","APPEAL & GRIEVANCE REVIEW ",..: 11 11 16 11 11 11 11 11 11 11 ...
$ AvgIncome : Factor w/ 10 levels "-1",">100k","0-25k",..: 3 6 3 8 3 4 3 5 4 4 ...
$ CaseManagerNameID : int 124 1 1 19 20 1 16 1 43 20 ...
$ .outcome : Factor w/ 2 levels "NO","YES": 1 2 2 1 1 1 2 2 1 1 ...
现在testData 将具有以下结构：
> str(testData[-$Readmit])
'data.frame': 610 obs. of 26 variables:
$ Acuity : Factor w/ 4 levels "0","Elective ",..: 3 2 4 2 2 2 4 3 3 3 ...
$ AgeGroup : Factor w/ 9 levels "100-105","65-70",..: 4 3 5 4 2 9 4 2 4 6 ...
$ IsPriority : int 0 0 0 0 0 0 1 1 1 1 ...
$ QNXTReferToId : int 2140 482 1703785 1941 114 1714905 1703785 98 109 109 ...
$ QNXTReferFromId : int 1791383 1729375 1718532 1746336 1718267 1718267 1718532 98 109 109 ...
$ iscasemanagement : Factor w/ 2 levels "N","Y": 2 2 2 2 2 2 1 2 2 1 ...
$ iseligible : Factor w/ 2 levels "N","Y": 2 2 2 2 2 2 2 2 2 2 ...
$ referralservicecode : Factor w/ 7 levels "12345","IPMAT ",..: 5 1 1 1 1 1 1 5 1 5 ...
$ IsHighlight : Factor w/ 2 levels "N","Y": 1 1 1 1 1 1 1 1 1 1 ...
$ admittingdiagnosiscode: num 11440 11317 11420 11317 1361 ...
$ dischargediagnosiscode: num 11440 11317 11420 11317 1361 ...
$ RealLengthOfStay : int 1 2 4 3 1 1 16 1 1 3 ...
$ QNXTPCPId : int 3212 1713678 1738430 1713671 1720569 1791640 1725962 1148 1703290 1705009 ...
$ QNXTProgramId : Factor w/ 2 levels "QMXHPQ0839 ",..: 1 1 1 1 1 1 1 1 1 1 ...
$ physicalzipcode : int 34744 33175 33844 33178 33010 33010 33897 33126 33127 33125 ...
$ gender : Factor w/ 2 levels "F","M": 2 1 2 1 2 2 2 1 1 2 ...
$ ethnicitycode : Factor w/ 1 level "No Ethnicity ": 1 1 1 1 1 1 1 1 1 1 ...
$ dx1 : num 11440 11317 11420 11317 1361 ...
$ dx2 : num 11440 11317 11420 11317 1361 ...
$ dx3 : num 0 1465 0 11326 0 ...
$ svc1 : int 52648 27447 50040 27447 55866 55866 51595 0 99221 300616 ...
$ svc2 : int 76872 120 50391 120 120 38571 120 762 120 0 ...
$ svc3 : int 762 0 120 0 0 51999 0 0 0 762 ...
$ Disposition : Factor w/ 14 levels "0","DENIED- Not Medically Necessary ",..: 3 5 3 4 3 3 5 3 3 5 ...
$ AvgIncome : Factor w/ 10 levels "-1",">100k","0-25k",..: 6 7 5 9 3 3 6 4 3 4 ...
$ CaseManagerNameID : int 1 2 3 4 5 6 7 8 9 7 ...
变量结构是一样的，只是有些因子变量有不同的层次，因为有些变量有新的值。例如：Acuity在模型中有3个级别，在测试数据中有4个级别。
我没有办法从一开始就知道所有变量的所有可能级别。
任何建议，请...
提前致谢，
大卫
【问题讨论】：
train 不是 R 函数。你可以阅读它的文档，如?library_you_got_it_from::train。他们可能会在那里提到它是否有predict 方法。
这是来自caret 包吗？
做summary(fit) 给你一些合乎逻辑的东西？
我在原始帖子中添加了更多细节，基于 (@loiri @Frank 和 @abhiieor) 之前的 cmets。 @abhiieor str(fit) 的输出提供了很多信息，我通过以下方式获得了训练数据结构：fit$trainingData。与此示例和我使用的其他示例的唯一不同之处在于，我正在保存变量，然后加载它，并且测试集来自一个新文件（它不是训练集的一部分），但具有相同的数据结构（但不可能所有相同的值或级别）。我不知道这是否与我的问题有关。谢谢。
只有评论中的第一个@name 会被 ping 通，仅供参考。
【参考方案1】：
我想我找到了发生这种情况的原因...predict 是来自stats 包的通用函数。我使用命名空间::-notation 来调用来自caret 包的函数（这是创建用户包的建议），来自caret 包的等效predict 函数是：predict.train，即一个内部函数，不能被外部应用程序调用。调用此函数的唯一方法是使用来自stats 包的通用predict 函数，然后基于第一个输入参数的类：predicted <- predict(fit, testData[-$Readmit]) 它标识将调用特定的predict 函数。
对于这个特殊情况，这个函数的类是train，所以它实际上会调用函数：train.predict，来自caret包。此函数还根据使用的算法（方法）处理请求进行预测的特定函数，例如：predict.gbm 或predict.glm 等。在插入符号documentation 部分中有详细说明：“5.7 提取预测和类别概率”。
因此::-notation 适用于包中的其他函数，例如：caret.train，但不适用于这个特定的函数：predict。在这种情况下，需要显式加载库，因此它可以在内部调用predict.train 函数。
简而言之，解决方案只是在调用predict 函数之前添加以下行：
library(caret)
然后错误消失。
【讨论】：
biglm 包也发生了同样的事情，在附加了插入符号但没有附加 biglm 之后，所以 + 1。【参考方案2】：
根据@David Leal 的回答，我尝试在调用预测函数之前加载library(caret)，但它没有帮助。
尝试了一下之后，我意识到我必须加载包含模型本身的库。就我而言，我必须致电 library(kenlab) 以获得支持向量。
【讨论】：
以上是关于UseMethod("predict") : 没有适用于“预测”的方法应用于“火车”类的对象的主要内容，如果未能解决你的问题，请参考以下文章
文献及代码阅读报告 - SS-LSTM：A Hierarchical LSTM Model for Pedestrian Trajectory Prediction
强化学习RLmodel-free的prediction和control — MC, TD(λ), SARSA, Q-learning等