R - 因素考试卡有新的水平

Question

我使用下面给出的 C5.0 在 R 中构建了一个分类模型：

library(C50)
library(caret)
a = read.csv("All_SRN.csv")
set.seed(123)
inTrain <- createDataPartition(a$anatomy, p = .70, list = FALSE)
training <- a[ inTrain,]
test <- a[-inTrain,]
Tree <- C5.0(anatomy ~ ., data = training, 
            trControl = trainControl(method = "repeatedcv", repeats = 10,
                                     classProb = TRUE))
TreePred <- predict(Tree, test)

训练集具有 -examcard, coil_used, anatomy_region, bodypart_anatomy and anatomy（目标类）等特征。所有特征都是分类变量。一共有10k个奇数值，我把数据分为训练数据和测试数据。学习者在以 70:30 的比例划分的 training 和 test 集上表现出色，但是当我为测试集提供以下给出的新值时，问题就来了：

TreePred <- predict(Tree, test_add)

这里，test_add 包含已经存在的测试集和一组新值，在执行时学习器无法对新值进行分类并抛出以下错误：

Error in model.frame.default(object$Terms, newdata, na.action = na.action, : factor examcard has new levels

我尝试使用以下方法将新因子水平与现有因子水平合并：

Tree$xlevels[["examcard"]] <- union(Tree$xlevels[["examcard"]], levels(test_add$examcard))

但是，这并没有多大帮助，因为代码执行时显示以下消息并且没有产生任何富有成效的结果：

predict code called exit with value 1

特征考试卡在分类中占有重要地位，因此不容忽视。如何对这些值集进行分类？

Answer 1

您无法为您的测试集中没有在您的训练集中创建的因子水平创建预测。您的模型将没有这些新因子水平的系数。

如果您要进行 70/30 拆分，则需要使用 caret::CreateDataPartition 重新分区您的数据...

...或您自己的分层样本函数，以确保在训练集中表示所有级别：使用“split-apply-combine”方法：通过考试卡拆分数据集，并为每个子集应用拆分，然后结合训练子集和测试子集。

更多详情请见this question。