当我使用矩阵变量拟合和预测模型时，predic.lm给出了错误的预测值数量

在过去，我将

lm

函数与

matrix

-type数据和

data.frame

-type一起使用。但是我想这是我第一次尝试使用

predict

使用一个没有

data.frame的模型。我不知道该怎么做

我读了一些其他的问题（比如），我很确定我的问题与我在拟合模型后得到的系数名称有关。由于某些原因，系数名称是矩阵名称与列名的粘贴。。。我还没找到解决办法

library(tidyverse)
library(MASS)

set.seed(1)
label <- sample(c(T,F), nrow(Boston), replace = T, prob = c(.6,.4))

x.train <- Boston %>% dplyr::filter(., label) %>%
  dplyr::select(-medv) %>% as.matrix()
y.train <- Boston %>% dplyr::filter(., label) %>%
  dplyr::select(medv) %>% as.matrix()
x.test <- Boston %>% dplyr::filter(., !label) %>%
  dplyr::select(-medv) %>% as.matrix()
y.test <- Boston %>% dplyr::filter(., !label) %>%
  dplyr::select(medv) %>% as.matrix()

fit_lm <- lm(y.train ~ x.train)
fit_lm2 <- lm(medv ~ ., data = Boston, subset = label)
predict(object = fit_lm, newdata = x.test %>% as.data.frame()) %>% length() 
predict(object = fit_lm2, newdata = x.test %>% as.data.frame()) %>% length()
# they get different numbers of predicted data
# the first one gets a number a results consistent with x.train

库（tidyverse）
图书馆（弥撒）
种子（1）
标签%
dplyr:：选择（-medv）%>%as.matrix（）
y、 序列%dplyr:：过滤器（，标签）%%>%
dplyr:：选择（medv）%>%as.matrix（）
x、 测试%dplyr:：筛选器（，！label）%%>%
dplyr:：选择（-medv）%>%as.matrix（）
y、 测试%dplyr:：筛选器（，！label）%%>%
dplyr:：选择（medv）%>%as.matrix（）
配合长度百分比（）
预测（object=fit_lm2，newdata=x.test%>%as.data.frame（））%%>%length（）
#他们得到不同数量的预测数据
#第一个得到一个与x一致的数字a结果

欢迎提供任何帮助。
我无法修复您的
tidyverse
代码，因为我不使用此软件包。但是我能够解释为什么
predict
在第一种情况下失败

让我使用内置数据集
树
进行演示：

head(trees, 2)
#  Girth Height Volume
#1   8.3     70   10.3
#2   8.6     65   10.3

使用
lm
的正常方法是

fit <- lm(Girth ~ ., trees)

使用
predict
时，需要在
newdata
中提供这些变量

predict(fit, newdata = data.frame(Height = 1, Volume = 2))
#       1 
#11.16125 

现在，如果使用矩阵拟合模型：

X <- as.matrix(trees[2:3])
y <- trees[[1]]
fit2 <- lm(y ~ X)
attr(terms(fit2), "term.labels")
#[1] "X"

cbind（1，2）
没有列名并不重要。重要的是，该矩阵在
newdat
中命名为
X

X <- as.matrix(trees[2:3])
y <- trees[[1]]
fit2 <- lm(y ~ X)
attr(terms(fit2), "term.labels")
#[1] "X"

newdat <- data.frame(X = I(cbind(1, 2)))
str(newdat)
#'data.frame':  1 obs. of  1 variable:
# $ X: AsIs [1, 1:2] 1 2

predict(fit2, newdat)
#       1 
#11.16125