bstTree预测的混淆矩阵，错误：'；数据必须包含与参考重叠的某些级别；

我正在尝试使用bstTree方法训练一个模型，并打印出混淆矩阵。不利影响是我的职业属性

set.seed(1234)
splitIndex <- createDataPartition(attended_num_new_bstTree$adverse_effects, p = .80, list = FALSE, times = 1)
trainSplit <- attended_num_new_bstTree[ splitIndex,]
testSplit <- attended_num_new_bstTree[-splitIndex,]

ctrl <- trainControl(method = "cv", number = 5)
model_bstTree <- train(adverse_effects ~ ., data = trainSplit, method = "bstTree", trControl = ctrl)


predictors <- names(trainSplit)[names(trainSplit) != 'adverse_effects']
pred_bstTree <- predict(model_bstTree$finalModel, testSplit[,predictors])


plot.roc(auc_bstTree)

conf_bstTree= confusionMatrix(pred_bstTree,testSplit$adverse_effects)

如何解决此问题

> head(trainSplit)
   type New_missed Therapytypename New_Diesease gender adverse_effects change_in_exposure other_reasons other_medication
5     2          1              14           13      2               0                  0             0                0
7     2          0              14           13      2               0                  0             0                0
8     2          0              14           13      2               0                  0             0                0
9     2          0              14           13      2               1                  0             0                0
11    2          1              14           13      2               0                  0             0                0
12    2          0              14           13      2               0                  0             0                0
   uvb_puva_type missed_prev_dose skintypeA skintypeB Age DoseB DoseA
5              5                1         1         1  22 3.000     0
7              5                0         1         1  22 4.320     0
8              5                0         1         1  22 4.752     0
9              5                0         1         1  22 5.000     0
11             5                1         1         1  22 5.000     0
12             5                0         1         1  22 5.000     0

最大值（预测树）[1]1.03385
最小值（预测树）[1]1.011738

错误说明了一切。绘制ROC只是检查不同阈值点的效果。基于阈值舍入，例如0.7将转换为1（真类），0.3将转换为0（假类）；在这种情况下，阈值为0.5。阈值在（0,1）范围内

在您的情况下，无论阈值如何，您都将始终将所有观测值纳入真类，因为即使最小预测值大于1。（这就是为什么@phiver想知道你是否在做回归而不是分类）。如果预测中没有任何零，“预测”中没有与不良影响中的零水平一致的水平，因此该错误

---

PS：如果您不发布数据，就很难说出错误的根本原因

我也有类似的问题，也就是这个错误。我使用了函数

confusionMatrix

：

混淆矩阵（实际值、预测值、截止值=0.5）

我得到了以下错误：

confusionMatrix中的错误。默认值（实际值、预测值、截止值=0.5）：数据必须包含与参考重叠的某些级别。

我检查了以下几项：

类别（实际）

->数字

类（预测）

->整数

唯一（实际）

->大量值，因为它是概率

唯一（预测）

->2个级别：0和1

我的结论是，应用函数的截止部分存在问题，因此我之前通过以下方式进行了操作：

预测值0.5,1,0）

然后运行

confusionMatrix

函数，该函数现在可以正常工作：

---

cm看起来您是在预测回归，而不是分类。检查是否将不利影响设置为数据中的一个因子。是的，它是一个包含0和1的因子。即使我在转换为数值后进行预测，我也会得到相同的错误尝试添加数据样本。很难看出问题出在哪里。abhiieor，数据集包含近40000条记录，但88%的数据属于类0，其余属于类1。您提供的数据太少，无法复制。我希望在制作<代码>负面影响时，您已经做了<代码>模型
> head(trainSplit)
   type New_missed Therapytypename New_Diesease gender adverse_effects change_in_exposure other_reasons other_medication
5     2          1              14           13      2               0                  0             0                0
7     2          0              14           13      2               0                  0             0                0
8     2          0              14           13      2               0                  0             0                0
9     2          0              14           13      2               1                  0             0                0
11    2          1              14           13      2               0                  0             0                0
12    2          0              14           13      2               0                  0             0                0
   uvb_puva_type missed_prev_dose skintypeA skintypeB Age DoseB DoseA
5              5                1         1         1  22 3.000     0
7              5                0         1         1  22 4.320     0
8              5                0         1         1  22 4.752     0
9              5                0         1         1  22 5.000     0
11             5                1         1         1  22 5.000     0
12             5                0         1         1  22 5.000     0