R erreur de forêt aléatoire - type de prédicteurs dans les nouvelles données ne correspondent pas

@mgoldwasser a raison en général, mais il y a aussi un très méchant bug dans predict.randomForest: Même si vous avez exactement les mêmes niveaux dans la formation et dans la prédiction, il est possible d'obtenir cette erreur. Cela est possible lorsque vous avez un facteur où vous avez intégré NA comme niveau séparé. Le problème est que predict.randomForest fait essentiellement ce qui suit:

# Assume your original factor has two "proper" levels + NA level:
f <- factor(c(0,1,NA), exclude=NULL)

length(levels(f)) # => 3
levels(f)         # => "0" "1" NA

# Note that
sum(is.na(f))     # => 0
# i.e., the values of the factor are not `NA` only the corresponding level is.

# Internally predict.randomForest passes the factor (the one of the training set)
# through the function `factor(.)`.
# Unfortunately, it does _not_ do this for the prediction set.
# See what happens to f if we do that:
pf <- factor(f)

length(levels(pf)) # => 2
levels(pf)         # => "0" "1"

# In other words:
length(levels(f)) != length(levels(factor(f))) 
# => sad but TRUE

ainsi, il sera toujours jeter le NA niveau à partir de l'ensemble d'entraînement et verra toujours un niveau dans l'ensemble des estimations.

une solution de contournement est de remplacer la valeur NA du niveau de l'avant à l'aide de randomForest:

levels(f)[is.na(levels(f))] <- "NA"
levels(f) # => "0"  "1"  "NA"
          #              .... note that this is no longer a plain `NA`

appel factor(f) ne rejette pas le niveau, et le contrôle réussit.

cela se produit parce que vos variables de facteur dans le jeu d'entraînement et le jeu de test ont des niveaux différents(pour être plus précis, le jeu de test n'a pas certains des niveaux présents dans l'entraînement). Ainsi, vous pouvez résoudre cela par exemple en utilisant le code ci-dessous pour toutes vos variables de facteur.:

levels(test$SectionName) <- levels(train$SectionName)

j'ai eu le même problème. Vous pouvez essayer d'utiliser un petit truc pour égaliser les classes de formation et d'essai. Liez la première ligne de l'ensemble d'entraînement à l'ensemble d'essai et supprimez-la. Pour votre exemple, il devrait ressembler à ceci:

    xtest <- rbind(xtrain[1, ] , xtest)
    xtest <- xtest[-1,]

développer la solution de @user1849895:

common <- intersect(names(train), names(test)) 
for (p in common) { 
  if (class(train[[p]]) == "factor") { 
    levels(test[[p]]) <- levels(train[[p]]) 
  } 
}

C'est un problème avec les niveaux de chacun des facteurs différents. Vous devez vérifier pour vous assurer que vos niveaux de facteur restent cohérents entre votre test et les ensembles de formation.

c'est une étrange bizarrerie de random forest, et ça n'a pas de sens pour moi.

j'ai résolu de la manière suivante:

## Creating sample data
values_development=factor(c("a", "b", "c")) ## Values used when building the random forest model
values_production=factor(c("a", "b", "c", "ooops")) ## New values to used when using the model

## Deleting cases which were not present when developing
values_production=sapply(as.character(values_production), function(x) if(x %in% values_development) x else NA)

## Creating the factor variable, (with the correct NA value level)
values_production=factor(values_production)

## Checking
values_production # =>  a     b     c  <NA>