对于缺失数据的预测，R SVM返回NA

我试图使用e1071包中经过训练的SVM进行预测，但我的数据包含一些缺失值（NA）

---

我希望当该实例有任何缺少的值时，返回的预测为NA。我尝试使用na.action=na.pass，如下所示，但如果您熟悉，它会给我一个错误“名称中的错误（ret2），您可以使用233种不同类型的模型进行拟合（包括e1071包中的SVM），在名为there的部分中，您可以找到一个csv，其中包含用于对算法进行分组的数据

其中有一列名为Handle Missing Predictor Data，它告诉您哪些算法可以实现您想要的功能。不幸的是，其中不包括SVM，但这些算法是：

• 增强分类树（ada）
• 袋装AdaBoost（AdaBag）
• AdaBoost.M1（AdaBoost.M1）
• C5.0（C5.0）
• 成本敏感型C5.0（C5.0成本）
• 单个C5.0规则集（C5.0规则）
• 单个C5.0树（C5.0树）
• 购物车（rpart）
• 购物车（rpart1SE）
• 购物车（第二部分）
• 成本敏感购物车（rpartCost）
• 购物车或顺序响应（rpartScore）

---

如果您仍然坚持使用SVM，您可以使用同一软件包中的KNIMPUTE选项，这将允许您对所有观察结果进行预测。

您可以将所有有效案例分配回

tmp

集中的预测变量：

tmp[complete.cases(tmp), "predict"] <- predict(model, newdata=tmp[complete.cases(tmp),]) 
tmp

#    Sepal.Length Sepal.Width Petal.Length Petal.Width    Species    predict
#1             NA         3.5          1.4         0.2     setosa       <NA>
#2            4.9         3.0          1.4         0.2     setosa     setosa
#3            4.7         3.2          1.3         0.2     setosa     setosa
# ...

---

tmp[complete.cases（tmp），“predict”]您可以将所有有效的案例分配回
tmp
set-
tmp[complete.cases（tmp），“predict”]谢谢，这太棒了。考虑到我必须使用支持向量机，并且需要NA而不是插补，这是一种方法。
tmp[complete.cases(tmp), "predict"] <- predict(model, newdata=tmp[complete.cases(tmp),]) 
tmp

#    Sepal.Length Sepal.Width Petal.Length Petal.Width    Species    predict
#1             NA         3.5          1.4         0.2     setosa       <NA>
#2            4.9         3.0          1.4         0.2     setosa     setosa
#3            4.7         3.2          1.3         0.2     setosa     setosa
# ...