R中sample.split数据的不正确分割及logistic回归
我有两个问题。
- 当我试图将我的数据分成测试集和训练集时，使用下面的
sample.split，采样是非常不清楚的。我的意思是，数据d的长度为392，所以，4:1除法应该显示0.8*392= 313.6，即测试集中的313或314行，但显示的长度是304。我可能遗漏了什么东西吗？ 需要(CaTools) set.seed(101) samplev = sample.split(d，，SplitRatio= 0.80)列车=子集(d，samplev == TRUE) test =子集(d，samplev == FALSE) - 我试图在R中对逻辑回归任务使用以下分割数据，如下所示- #训练m <- glm(m 01~.-name，data=列车，家庭=二项式(链接=‘logit’) out2 <- predict.glm(m，test，type = "response") class2 <-向量()，用于(i in 1:length(out2)) { if(out2i >= 0.5) { class2i <- 1} else { class2i <- 0} r2 <- table(class2，test$m 01)#混淆矩阵
这样做的目的是不要在培训的数据中使用“name”列。当我尝试在测试数据上运行构建的模型时，它显示了以下内容-
out2 <- predict.glm(m，test，type = "response") Model.frame.default中的错误(术语、新数据、na.action = na.action、xlev =对象$xlevel)： 因子名称有新级别: amc大使sst、amc concord 6、amc pacer、amc pacer d/l、amc反叛者sst、audi 100 ls、audi 5000、别克世纪350、别克世纪有限公司、凯迪拉克塞维利亚、卡普里ii、雪佛兰贝尔航空、雪佛兰骑兵、雪佛兰骑士车、雪佛兰蒙特卡罗、雪佛兰维加2300、克莱斯勒莱巴隆镇@ country (sw)、克莱斯勒纽约客brougham、datsun 510掀背车、datsun b210 gx、datsun f-10背靠背、道奇白羊座( dodge )、道奇6、colt、sw colt /道奇、道奇、道奇124、124奇、124架福特野马、福特野马ii、福特护林员、本田民用1500 gl、马斯达rx3、马自达626、马自达glc 4、马自达glc定制、梅赛德斯-奔驰240 D、梅赛德斯-奔驰280年代、水银卡普里2000、水银马奎斯、奥兹莫比尔切塔斯切拉(柴油)、标致505 s涡轮柴油、普利茅斯库达340、普利茅斯呋喃轿车、普利茅斯大弗雷、普利茅斯地平线tc3、普利茅斯卫星、普利茅斯卫星
根据我的理解，这个错误不应该出现吗?因为我们没有使用‘name’属性。或者如果我们以某种方式使用它，当它不是有意的时候，我做错了什么？
回答 1
Stack Overflow用户
发布于 2017-12-09 05:40:32
第1期回答
sample.split函数需要第一个参数的向量，它看起来像是在传递一个data.frame或一个matrix。这里有一个简单的例子来展示不同的行为。
# Mock up some data
library(caTools)
df0 <- data.frame(
y = as.factor(rbinom(392, 1, 0.75)),
x1 = rnorm(392)
)
# sample.split with a data.frame as the first argument does not split 80/20 as expected
set.seed(101)
samplev = sample.split(df0, SplitRatio= 0.80)
train = subset(df0, samplev == TRUE)
test = subset(df0, samplev == FALSE)
nrow(train)
[1] 196
nrow(test)
[1] 196
# feed in your response variable as a vector to get the expected split
set.seed(101)
samplev = sample.split(df0$y, SplitRatio= 0.80)
train = subset(df0, samplev == TRUE)
test = subset(df0, samplev == FALSE)
nrow(train)
[1] 314
nrow(test)
[1] 78第2期回答
虽然您正在做的事情看起来是合理的，并且看起来应该按照您预期的方式工作，但是看起来并不是glm和最终model.frame函数是如何在幕后处理公式的。
首先，下面是代码，它将重现您正在做的事情和您所看到的错误。
set.seed(123)
df <- data.frame(
y = as.factor(rbinom(100, 1, 0.5)),
x1 = rnorm(100),
x2 = rnorm(100),
name = c(rep('a',40), rep('b',30), rep('c', 30))
)
train <- df[1:70,]
test <- df[71:100,]
m <- glm(y~ . -name, data= train, family = binomial(link = 'logit'))
out2 <- predict.glm(m, test, type = "response")现在注意，当我用公式直接调用model.frame时，它仍然包含name列。
head(model.frame(y~ . -name, data = train), 1)
y x1 x2 name
1 0 0.2533185 0.7877388 a而不包含.列符号的公式将不包括该额外列。
head(model.frame(y~ x1 + x2, data = train), 1)
y x1 x2
1 0 0.2533185 0.7877388到头来，您似乎需要解决这个问题，要么在公式中直接指定列，要么继续使用.列符号，然后删除希望排除的列。
更确切地说，使用我的简单示例，解决方法1将类似于。
m <- glm(y~ x1 + x2, data= train, family = binomial(link = 'logit'))
out2 <- predict.glm(m, test, type = "response")解决方案2看起来就像。
m <- glm(y~ ., data= train[,names(train) != 'name'], family = binomial(link = 'logit'))
out2 <- predict.glm(m, test, type = "response")https://stackoverflow.com/questions/47547337
复制相似问题
腾讯云开发者
