处理训练和测试数据中的不同因子水平

Question

我有一个 20 列的训练数据集，所有这些都是我必须用于训练模型的因素，我已经获得了测试数据集，我必须在这些数据集上应用我的模型进行预测并提交。

我正在做初步的数据探索，只是出于好奇检查了训练数据的级别和测试数据的级别，因为我们正在处理所有分类变量。令我沮丧的是，大多数类别（变量）在训练和测试中都有不同的级别数据集。

例如

table(train$cap.shape) #training data column levels
  b    c    f    k    x 
196    4 2356  828 2300

table(test$cap.shape) #test data 

 b    f    s    x 
256  796   32 1356

这里我在测试数据集中有一个额外的类别s，我该如何处理这些情况，训练中c的额外类别非常低，所以我想根据它的分布情况将该因子与其他因子合并有因变量，但我被困在如何处理测试中的额外级别。

更多示例

table(train$odor) #train
  c    f    m    n    p    s    y 
 189 2155   36 2150    2  576  576

table(test$odor) #test

  a    c    f    l    n    p 
400    3    5  400 1378  254

在本列中，我们有 2 个额外的测试级别，测试数据集中有大量实例。我该如何处理这些差异。

table(train$sColour) #train
    b    h    k    n    o    r    w    y 
   48 1627  700  753   48   72 2388   48

   table(test$sColour) #test
    h    k    n    u 
    5 1172 1215   48

这里我们有额外的 u 因子

我应该先在训练集上建立一个模型并找到重要的预测变量，然后再考虑因子水平吗？

Answer 1

拥有不同的特征集违反了机器学习的基本规则。训练和测试数据必须代表相同的数据空间。这些没有；尽管每一对都有一个共同的特征核（维度），但要在同一个模型上使用它们，您必须将每个集合减少为只有共同特征，或者将两者扩展到特征的并集，填写“不要care”或额外功能的语义空值。