R caret 包（rpart）：构造分类树

Question

我为使用 caret 包执行分类树而苦苦挣扎了好几天。 问题是我的因素变量。我生成了树，但是当我尝试使用最佳模型对测试样本进行预测时，它失败了，因为 train 函数为我的因子变量创建了虚拟变量，然后 predict 函数在测试集中找不到这些新创建的虚拟变量.我该如何处理这个问题？

我的代码如下：

install.packages("caret", dependencies = c("Depends", "Suggests"))      
library(caret)                                      
db=data.frame(read.csv ("db.csv", head=TRUE, sep=";", na.strings ="?"))     
fix(db)
db$defaillance=factor(db$defaillance)
db$def=ifelse(db$defaillance==0,"No","Yes") 
db$def=factor(db$def)
db$defaillance=NULL
db$canal=factor(db$canal)
db$sect_isodev=factor(db$sect_isodev)
db$sect_risq=factor(db$sect_risq)       

#delete zero variance predictors                                
nzv <- nearZeroVar(db[,-78])
db_new <- db[,-nzv]

inTrain <- createDataPartition(y = db_new$def, p = .75, list = FALSE)                               
training <- db_new[inTrain,]
testing <- db_new[-inTrain,]
str(training)
str(testing)
dim(training)
dim(testing)

用于训练/测试的 str() 函数示例如下：

 $ FDR        : num  1305 211 162 131 143 ...
 $ FCYC       : num  0.269 0.18 0.154 0.119 0.139 ...
 $ BFDR       : num  803 164 108 72 76 63 100 152 188 80 ...
 $ TRES       : num  502 47 54 59 67 49 53 -7 -103 -109 ...
 $ sect_isodev: Factor w/ 9 levels "1","2","3","4",..: 4 3 3 3 3 3 3 3 3 3 ...
 $ sect_risq  : Factor w/ 6 levels "0","1","2","3",..: 6 6 6 6 6 6 6 6 6 6 ...
 $ def        : Factor w/ 2 levels "No","Yes": 1 1 1 1 1 1 1 1 1 1 ...
> dim(training)
[1] 14553    42
> dim(testing)
[1] 4850   42

然后我的代码是这样的：

fitControl <- trainControl(method = "repeatedcv",
                           number = 10,
                           repeats = 10,
                   classProbs = TRUE,
                   summaryFunction = twoClassSummary)

#CART1
set.seed(1234)
tree1 = train (def~.,
           training,
           method = "rpart",
           tuneLength=20,
           metric="ROC",
           trControl = fitControl)

一个样本

summary(tree1$finalModel)

来了

RNTB          38.397731
sect_isodev1   6.742289
sect_isodev3   4.005016
sect_isodev8   2.520850
sect_risq3     9.909127
sect_risq4     6.737908
sect_risq5     3.085714
SOLV          73.067539
TRES          47.906884
sect_isodev2   0.000000
sect_isodev4   0.000000
sect_isodev5   0.000000
sect_isodev6   0.000000
sect_isodev7   0.000000
sect_isodev9   0.000000
sect_risq0     0.000000
sect_risq1     0.000000
sect_risq2     0.000000

这是错误：

model.tree1

我对另一件事感到好奇。我在 Max Kuhn 的“Predictive Modeling with R”中发现了以下语法：

predict(rpartTune$finalModel, newdata, type = "class")

其中rpartTune$finalModel 是与我的（或我的与他的相同）相同的分类树。 现在，R 不接受 type="class"。只键入="prob"。我因此而烦恼。

提前感谢您的回复

Answer 1

据我所知，有两个问题：

• R 找不到适合tree1$finalModel 的predict 函数，它应该是predict.rpart，因为tree1$finalModel 属于rpart 类。我也得到了那个错误，不幸的是不知道根本原因。这也是 R 不接受type = "class" 的原因。 predict.rpart 会接受。
• 为 train 函数提供公式而不是 x 和 y 对象会导致以后找不到像 sect_isodev1 这样的变量

使用 x 和 y 对象使用随机数据（类似于您的 str）重现您的错误并从 rpart 显式调用 predict.rpart 对我有用：

tree1 = train (y = training$def,
               x = training[, -which(colnames(training) == "def")],
               method = "rpart",
               tuneLength=20,
               metric="ROC",
               trControl = fitControl)
summary(tree1$finalModel)
# This still results in Error: could not find function "predict.rpart":
model.tree1 <- predict.rpart(tree1$finalModel, newdata = testing)
# Explicitly calling predict.rpart from the rpart package works:
rpart:::predict.rpart(object = tree1$finalModel, 
                      newdata = testing, 
                      type = "class") 

顺便说一句，predict(tree1, testing)，这意味着将predict.train 与train 对象一起使用，也可以工作并返回预测的类。 编辑：正如 Max 指出的那样，通常最好只使用这种方法，而不是让不同的 predict 函数工作。

Answer 2

除非您有充分的理由，否则不要将 predict.rpart 与 train$finalModel 一起使用。 rpart 对象不知道train 所做的任何事情，包括预处理。它可能不会给你正确的答案。毕竟，您可能会使用train 来避免细节问题，所以让predict.train 来完成这项工作。

最大

编辑 -

关于type = "class" 和type = "prob" 位..

predict.rpart 默认生成类概率。尽管rpart 是最早的包之一，但它是非典型的，因为默认情况下大多数生产类。

predict.train 默认生成类，您必须使用type = "prob" 来获取概率。