R 避免因子在测试集中具有新级别时失败

我有一个数据集，我用以下方式将其拆分为训练和测试子集：

train_ind <- sample(seq_len(nrow(dataset)), size=(2/3)*nrow(dataset))
train <- dataset[train_ind]
test <- dataset[-train_ind]

---

train_ind我从以下数据生成过程开始（一个二进制响应变量、一个数值自变量和三个分类自变量）：

当然，
predict
会产生上面@Setzer22描述的消息错误：

glm.res <- glm(y ~ ., data=train, family = binomial(link=logit)) 
preds <- predict(glm.res, test, type="response")

在子集
中，测试集
x2
和
x3
的test
没有新的类别：

table(subset.test[,"x2"])
  (0,0.2] (0.2,0.4] (0.4,0.6] (0.6,0.8]   (0.8,1] 
       26        25        20         0        28

table(subset.test[,"x3"])
  (0,0.25] (0.25,0.5] (0.5,0.75]   (0.75,1] 
         0         29         29         41 

现在，
predict
工作得很好：

preds <- predict(glm.res, subset(test,filt), type="response")
head(preds)

       30        39        41        49        55        56 
0.7732564 0.8361226 0.7576259 0.5589563 0.8965357 0.8058025

preds感谢您的回答！在R中似乎没有简单的方法来实现这一点，这让我感到沮丧。在我看来，实现应该涵盖一个基本的边缘案例，解决方案很简单。有什么我没有考虑的吗？为什么它不能忽略任何新的值呢？说一个模型假设新的值应该被视为“0”是正确的行为是不公平的。例如，假设您有一个预测“眼睛颜色”，并且您的模型是根据只包含“棕色”和“蓝色”的数据进行训练的。如果此变量编码为brown=0和blue=1，并且您的测试数据现在包含有一个绿眼睛的人，那么按照您的建议将此行视为“0”将假定他们有棕色眼睛。更一般地说，要求模型对其在培训期间从未接触过的事物进行预测是没有意义的，这就是为什么会出现错误的原因在我的问题中有一个隐含的假设（无可否认，我应该澄清），即值0表示“缺失”或“空”值。另外请注意，我不是问如何强制一个模型（即glm函数）处理它以前从未见过的数据，而是问作为一个程序员如何解决现实场景中可能发生的R中的问题。我认为在R中用零来编码缺失值是没有意义的——它们要么被视为数字变量的“真”零（一个坏主意），要么被视为因子的自身级别。如果您想将所有缺少的值建模为它们自己的类别，则可能会出现例外情况。@jruf003我同意您的意见。我的发言只是想强调，尽管存在这种不一致性，我的问题的目的仍然有效。我问这个问题的时候，对0的值做了一些隐含的假设，这对于我当时正在做的任何项目都是有意义的（不幸的是，我不记得了！）。可能是我真正的意思是“N/A”而不是0，或者在我的特定用例中，数值0是对N/As的一个很好的猜测：例如，当数据居中并按比例缩放时，0是平均值，这对于N/As来说或多或少是一种合理的处理（即使是次优的）。
idx <- which(df$x2!="(0.6,0.8]" & df$x3!="(0,0.25]")
train_ind <- sample(idx, size=(2/3)*length(idx))
train <- df[train_ind,]
train$x2 <- droplevels(train$x2)
train$x3 <- droplevels(train$x3)
test <- df[-train_ind,]

table(train$x2)
(0,0.2] (0.2,0.4] (0.4,0.6]   (0.8,1] 
     55        40        53        49 

table(test$x2)
(0,0.2] (0.2,0.4] (0.4,0.6] (0.6,0.8]   (0.8,1] 
     58        48        45        90        62 

table(train$x3)
(0.25,0.5] (0.5,0.75]   (0.75,1] 
        66         61         70 

table(test$x3)
(0,0.25] (0.25,0.5] (0.5,0.75]   (0.75,1] 
     131         63         47         62 

glm.res <- glm(y ~ ., data=train, family = binomial(link=logit)) 
preds <- predict(glm.res, test, type="response")

dropcats <- function(k) {
   xtst <- test[,k]
   xtrn <- train[,k]
   cmp.tst.trn <- (unique(xtst) %in% unique(xtrn))
   if (is.factor(xtst) & any(!cmp.tst.trn)) {
      cat.tst <- unique(xtst)
      apply(test[,k]==matrix(rep(cat.tst[cmp.tst.trn],each=nrow(test)),
                      nrow=nrow(test)),1,any)
   } else {
      rep(TRUE,nrow(test))
   }
}   
filt <- apply(sapply(2:ncol(df),dropcats),1,all)
subset.test <- test[filt,]

table(subset.test[,"x2"])
  (0,0.2] (0.2,0.4] (0.4,0.6] (0.6,0.8]   (0.8,1] 
       26        25        20         0        28

table(subset.test[,"x3"])
  (0,0.25] (0.25,0.5] (0.5,0.75]   (0.75,1] 
         0         29         29         41 

preds <- predict(glm.res, subset(test,filt), type="response")
head(preds)

       30        39        41        49        55        56 
0.7732564 0.8361226 0.7576259 0.5589563 0.8965357 0.8058025