randomForest（）如何预测不在训练数据中的新因子水平？

当我通过拆分单个数据帧创建训练集和测试集，并使用

randomfreest

包构建随机林时，对于训练数据中不存在的某些因子级别，

predict（）

函数仍会抛出一个输出。虽然这没有给出错误（这是我在相关问题中寻找的），但我的问题是

randomForest（）

模型预测值的依据是什么，因为理想情况下它应该抛出以下错误

predict.randomForest（）中的

错误：
培训数据中不存在新的系数级别

出于好奇，想知道

randomForest（）

方法是否对测试数据中的新因子水平做出了一些固有的假设

下面是一个可复制的示例：

seq1 <- c(5,3,1,3,1,"unwanted_char",4,2,2,3,0,4,1,1,0,1,0,1)
df1 <- matrix(seq1,6)
df1 <- as.data.frame(df1)
colnames(df1) <- c("a","b","c")
train <- df1[1:4,]
test <- df1[5:6,]

测试矩阵包含对最后一个观测值的“1”的预测，该观测值具有a=“多余的字符”和b=“4”

---

请注意：当您分别创建测试和训练数据时，predict函数会抛出上述错误，而不是predict

我认为这是一个非常糟糕的例子；但是，答案是：

您创建的

df1

只有因子变量和4个观察值。这里，

mtry

将等于1，这意味着大约1/2的树将仅基于

b

，1/2基于

a

。当

b==“4”

时，分类始终为1。IE-

b==4

完美地预测了

c

。类似地，

a==1

完美地预测了

c==0

当您在单个数据集中创建数据时，这起作用的原因是变量是因子变量，其中可能的级别存在于

train

和

test

中，尽管在

train

中观察到的某些级别的数量==0。由于“不需要的字符”在

train$a

中是一个可能的级别（尽管未被观察到），因此您的预测不会有问题。如果将这些作为单独的数据集创建，则会清楚地创建因子变量，

test

具有新的级别

---

也就是说，从本质上讲，您的问题之所以有效，是因为您不了解predict.randomForest（）中因子如何在R错误中起作用：训练数据中不存在新的因子级别

这个错误非常令人困惑，您可能希望用构建模型的数据集来检索需要预测的数据集，并进行预测

---

使用rownum的后预测子集，简单且经过测试的方法学

我同意Alex的观点，这不是一个好例子

以下是你问题的答案：

       str(train)

---

如果检查列车数据的结构，您将看到变量“a”具有所有4个级别，因为创建数据帧df1时分配了这些级别。

我了解有关因素的部分，但您能否详细说明“mtry”等于1。您的意思是说在这种情况下，

randomForest（）

只创建带有单个变量的树吗？这就是您的示例中的

mtry

的实现。阅读帮助文件和/或Breiman的原始论文。我不知道如何

randomForest（）

生成树，但您的意思是说，在生成林时，每个树仅由单个变量组成吗？我会读你提到的布雷曼的论文，但只是问这个来确认一个疑问…见

？randomForest:：randomForest

，我想你还没有理解我的问题，请再读一遍。。。我不是在问如何消除错误……这是一个很好的问题，但我想用“如何

randomForest

外推因子变量”来形容它。此外，您在因子处理方面遇到了一些棘手的问题。我建议编辑您的问题，使用字母作为输入，以明确因素问题。下面是一个候选重写：

       str(train)