当一个因素在测试集中有新的水平时，避免失败

Question

我有一个数据集，我按以下方式将其拆分为训练和测试子集：

train_ind <- sample(seq_len(nrow(dataset)), size=(2/3)*nrow(dataset))
train <- dataset[train_ind]
test <- dataset[-train_ind]

然后，我用它来训练一个 glm：

glm.res <- glm(response ~ ., data=dataset, subset=train_ind, family = binomial(link=logit)) 

最后，我用它来预测我的测试集：

preds <- predict(glm.res, test, type="response")

根据示例，这会失败并出现错误：

model.frame.default 中的错误（条款，新数据，na.action = na.action， xlev = 对象$xlevels) ： 因子有新的水平

请注意，该值出现在完整数据集上，但显然不在训练集上。我想做的是让预测函数忽略这些新因素。即使它对因子执行了二值化，我也不明白为什么它可以假设新值（因此，不是线性模型中的变量）只是 0，这将产生正确的行为。

有没有办法做到这一点？

Answer 1

我从以下数据生成过程开始（一个二元响应变量、一个数值自变量和 3 个分类自变量）：

set.seed(1)
n <- 500
y <- factor(rbinom(n, size=1, p=0.7))
x1 <- rnorm(n)
x2 <- cut(runif(n), breaks=seq(0,1,0.2))
x3 <- cut(runif(n), breaks=seq(0,1,0.25))
x4 <- cut(runif(n), breaks=seq(0,1,0.1))
df <- data.frame(y, x1, x2, x3, x4)

在这里，我构建训练和测试集的方式是在测试集中拥有一些类别协变量（x2 和 x3），而类别比训练集中的类别多：

idx <- which(df$x2!="(0.6,0.8]" & df$x3!="(0,0.25]")
train_ind <- sample(idx, size=(2/3)*length(idx))
train <- df[train_ind,]
train$x2 <- droplevels(train$x2)
train$x3 <- droplevels(train$x3)
test <- df[-train_ind,]

table(train$x2)
(0,0.2] (0.2,0.4] (0.4,0.6]   (0.8,1] 
     55        40        53        49 

table(test$x2)
(0,0.2] (0.2,0.4] (0.4,0.6] (0.6,0.8]   (0.8,1] 
     58        48        45        90        62 

table(train$x3)
(0.25,0.5] (0.5,0.75]   (0.75,1] 
        66         61         70 

table(test$x3)
(0,0.25] (0.25,0.5] (0.5,0.75]   (0.75,1] 
     131         63         47         62 

当然，predict 会产生上面由@Setzer22 描述的消息错误：

glm.res <- glm(y ~ ., data=train, family = binomial(link=logit)) 
preds <- predict(glm.res, test, type="response")

model.frame.default 中的错误（条款，新数据，na.action = na.action， xlev = object$xlevels) : 因子 x2 有新的水平 (0.6,0.8]

这是一种（不优雅的）删除train 行的方法，这些行在协变量中有新级别：

dropcats <- function(k) {
   xtst <- test[,k]
   xtrn <- train[,k]
   cmp.tst.trn <- (unique(xtst) %in% unique(xtrn))
   if (is.factor(xtst) & any(!cmp.tst.trn)) {
      cat.tst <- unique(xtst)
      apply(test[,k]==matrix(rep(cat.tst[cmp.tst.trn],each=nrow(test)),
                      nrow=nrow(test)),1,any)
   } else {
      rep(TRUE,nrow(test))
   }
}   
filt <- apply(sapply(2:ncol(df),dropcats),1,all)
subset.test <- test[filt,]

在测试集x2 和x3 的子集subset.test 中没有新类别：

table(subset.test[,"x2"])
  (0,0.2] (0.2,0.4] (0.4,0.6] (0.6,0.8]   (0.8,1] 
       26        25        20         0        28

table(subset.test[,"x3"])
  (0,0.25] (0.25,0.5] (0.5,0.75]   (0.75,1] 
         0         29         29         41 

现在predict 工作得很好：

preds <- predict(glm.res, subset(test,filt), type="response")
head(preds)

       30        39        41        49        55        56 
0.7732564 0.8361226 0.7576259 0.5589563 0.8965357 0.8058025

希望对你有帮助。