Erreur lorsque j'essaie de prédire les probabilités de classe dans R - caret

Question

J'ai construit un modèle à l'aide de caret. Une fois la formation terminée, j'ai reçu l'avertissement suivant:

Message d'avertissement: Dans train.default (x, y, poids = w, ...): Au moins un des niveaux de classe ne sont pas des noms de variables R valides; Cela peut provoquer des erreurs si des probabilités de classe sont générées, car les noms de variables seront convertis en: X0, X1

Les noms des variables sont:

 str(train) 'data.frame': 7395 obs. of 30 variables: $ alchemy_category : Factor w/ 13 levels "arts_entertainment",..: 2 8 6 6 11 6 1 6 3 8 ... $ alchemy_category_score : num 3737 2052 4801 3816 3179 ... $ avglinksize : num 2.06 3.68 2.38 1.54 2.68 ... $ commonlinkratio_1 : num 0.676 0.508 0.562 0.4 0.5 ... $ commonlinkratio_2 : num 0.206 0.289 0.322 0.1 0.222 ... $ commonlinkratio_3 : num 0.0471 0.2139 0.1202 0.0167 0.1235 ... $ commonlinkratio_4 : num 0.0235 0.1444 0.0426 0 0.0432 ... $ compression_ratio : num 0.444 0.469 0.525 0.481 0.446 ... $ embed_ratio : num 0 0 0 0 0 0 0 0 0 0 ... $ frameTagRatio : num 0.0908 0.0987 0.0724 0.0959 0.0249 ... $ hasDomainLink : Factor w/ 2 levels "0","1": 1 1 1 1 1 1 1 1 1 1 ... $ html_ratio : num 0.246 0.203 0.226 0.266 0.229 ... $ image_ratio : num 0.00388 0.08865 0.12054 0.03534 0.05047 ... $ is_news : Factor w/ 2 levels "0","1": 2 2 2 2 2 1 2 1 2 1 ... $ lengthyLinkDomain : Factor w/ 2 levels "0","1": 2 2 2 1 2 1 1 1 1 2 ... $ linkwordscore : num 24 40 55 24 14 12 21 5 17 14 ... $ news_front_page : Factor w/ 2 levels "0","1": 1 1 1 1 1 1 1 1 1 1 ... $ non_markup_alphanum_characters: num 5424 4973 2240 2737 12032 ... $ numberOfLinks : num 170 187 258 120 162 55 93 132 194 326 ... $ numwords_in_url : num 8 9 11 5 10 3 3 4 7 4 ... $ parametrizedLinkRatio : num 0.1529 0.1818 0.1667 0.0417 0.0988 ... $ spelling_errors_ratio : num 0.0791 0.1254 0.0576 0.1009 0.0826 ... $ label : Factor w/ 2 levels "0","1": 1 2 2 2 1 1 2 1 2 2 ... $ isVideo : Factor w/ 2 levels "0","1": 2 2 2 2 2 2 2 2 1 1 ... $ isFashion : Factor w/ 2 levels "0","1": 1 1 1 1 2 1 2 1 2 1 ... $ isFood : Factor w/ 2 levels "0","1": 2 2 2 2 2 2 2 2 2 2 ... $ hasComments : Factor w/ 2 levels "0","1": 1 2 2 2 2 1 2 2 1 2 ... $ hasGoogleAnalytics : Factor w/ 2 levels "0","1": 1 1 1 1 2 1 2 2 2 1 ... $ hasInlineCSS : Factor w/ 2 levels "0","1": 1 2 2 2 1 1 2 1 2 2 ... $ noOfMetaTags : num 10 12 6 10 13 2 6 6 9 5 ...

Mon code est le suivant:

ctrl <- trainControl(method = "CV", number=10, classProbs = TRUE, allowParallel = TRUE, summaryFunction = twoClassSummary) set.seed(476) rfFit <- train(formula, data=train, method = "rf", tuneGrid = expand.grid(.mtry = seq(4,20,by=2)), ntrees=1000, importance = TRUE, metric = "ROC", trControl = ctrl) pred <- predict.train(rfFit, newdata = test, type = "prob")

Je reçois l'erreur: Erreur dans [.data.frame (out, obsLevels, drop = FALSE): colonnes non définies sélectionnées

Les noms de variable sur le jeu de données de test sont les suivants:

str(test) 'data.frame': 3171 obs. of 29 variables: $ alchemy_category : Factor w/ 13 levels "arts_entertainment",..: 8 4 12 4 10 12 12 8 1 2 ... $ alchemy_category_score : num 5307 4825 1 6708 5416 ... $ avglinksize : num 2.56 3.77 2.27 2.52 1.85 ... $ commonlinkratio_1 : num 0.39 0.462 0.496 0.706 0.471 ... $ commonlinkratio_2 : num 0.257 0.205 0.385 0.346 0.161 ... $ commonlinkratio_3 : num 0.0441 0.0513 0.1709 0.123 0.0323 ... $ commonlinkratio_4 : num 0.0221 0 0.1709 0.0906 0 ... $ compression_ratio : num 0.49 0.782 1.25 0.449 0.454 ... $ embed_ratio : num 0 0 0 0 0 0 0 0 0 0 ... $ frameTagRatio : num 0.0671 0.0429 0.0588 0.0581 0.093 ... $ hasDomainLink : Factor w/ 2 levels "0","1": 1 1 1 1 1 1 1 1 1 1 ... $ html_ratio : num 0.23 0.366 0.162 0.147 0.244 ... $ image_ratio : num 0.19944 0.08 10 0.00596 0.03571 ... $ is_news : Factor w/ 2 levels "0","1": 2 1 1 2 2 1 1 2 1 1 ... $ lengthyLinkDomain : Factor w/ 2 levels "0","1": 2 2 2 2 1 2 2 1 1 1 ... $ linkwordscore : num 15 62 42 41 34 35 15 22 41 7 ... $ news_front_page : Factor w/ 2 levels "0","1": 1 1 1 1 1 1 1 1 1 1 ... $ non_markup_alphanum_characters: num 5643 382 2420 5559 2209 ... $ numberOfLinks : num 136 39 117 309 155 266 55 145 110 1 ... $ numwords_in_url : num 3 2 1 10 10 7 1 9 5 0 ... $ parametrizedLinkRatio : num 0.2426 0.1282 0.5812 0.0388 0.0968 ... $ spelling_errors_ratio : num 0.0806 0.1765 0.125 0.0631 0.0653 ... $ isVideo : Factor w/ 2 levels "0","1": 1 2 1 2 2 2 1 1 2 2 ... $ isFashion : Factor w/ 2 levels "0","1": 1 1 1 1 1 2 1 1 1 1 ... $ isFood : Factor w/ 2 levels "0","1": 2 2 2 2 2 2 2 2 2 2 ... $ hasComments : Factor w/ 2 levels "0","1": 2 1 1 2 2 2 1 2 2 1 ... $ hasGoogleAnalytics : Factor w/ 2 levels "0","1": 1 2 2 2 2 1 1 2 1 1 ... $ hasInlineCSS : Factor w/ 2 levels "0","1": 2 2 2 1 1 2 2 2 1 1 ... $ noOfMetaTags : num 3 6 5 9 16 22 6 9 7 0 ...

Si j'omets la partie type = "prob", je ne reçois aucune erreur.

Des idées?

Pourrait-il s'agir de la longueur de la variable "alchemy_category" à laquelle sont ajoutés les niveaux de facteurs respectifs, par ex. "alchemy_categoryarts_entertainment" à l'intérieur du modèle ??

topepo · Answer

La réponse est en gras en haut de votre message =]

Qu'est-ce que vous modélisez? Est-ce alchemy_category? Le code ne dit que formula et nous ne le voyons pas.

Lorsque vous demandez des probabilités de classe, les prédictions de modèle sont un bloc de données avec des colonnes séparées pour chaque classe/niveau. Si alchemy_category n'a pas de niveaux qui sont des noms de colonne valides, data.frame est alors converti en noms valides. Cela crée un problème car le code recherche un nom spécifique mais le bloc de données sous un nom différent (mais valide).

Par exemple, si j'avais

> test <- factor(c("level1", "level 2")) > levels(test) [1] "level 2" "level1" > make.names(levels(test)) [1] "level.2" "level1"

le code chercherait "niveau 2" mais il n'y a que "niveau.2".

csta · Answer

Comme indiqué ci-dessus, les valeurs de classe doivent être des facteurs et des noms valides. Une autre façon de s’assurer que c’est,

levels(all.dat$target) <- make.names(levels(factor(all.dat$target)))

Chamberlain Foncha · Answer

J'ai lu les réponses ci-dessus tout en faisant face à un problème similaire. Une solution formelle consiste à le faire sur le train et à tester des jeux de données. Assurez-vous d'inclure également la variable de réponse dans le fichier feature.names.

feature.names=names(train) for (f in feature.names) { if (class(train[[f]])=="factor") { levels <- unique(c(train[[f]])) train[[f]] <- factor(train[[f]], labels=make.names(levels)) } }

Cela crée des étiquettes syntaxiquement correctes pour tous les facteurs.

Quan Nguyen · Answer

Selon l'exemple ci-dessus, la refactorisation de la variable de résultat résoudra généralement le problème. Il est préférable de modifier le jeu de données d'origine avant de le partitionner en jeux de données d'apprentissage et de test.

niveaux <- unique (données $ résultat) données $ résultat <- facteur (données $ résultat, étiquettes = marque.noms (niveaux))

Comme d'autres l'ont déjà souligné, ce problème ne se produit que lorsque classProbs = TRUE, ce qui entraîne la fonction train de générer des statistiques supplémentaires relatives à la classe de résultats

Triamus · Answer

Comme @Sam Firke l'a déjà souligné dans les commentaires (mais je l'ai oublié), les niveaux VRAI/FAUX ne fonctionnent pas non plus. Je les ai donc convertis en oui/non.