随机森林混淆矩阵的错误
Error in Confusion Matrix with Random Forest
我有一个包含 4669 个观测值和 15 个变量的数据集。
我正在使用随机森林来预测特定产品是否会被接受。
根据我的最新数据，我的输出变量有 "Yes"、"NO" 和“”。
我想预测这个 "" 是 Yes 还是 No。
我正在使用以下代码。
library(randomForest)
outputvar <- c("Yes", "NO", "Yes", "NO", "" , "" )
inputvar1 <- c("M", "M", "F", "F", "M", "F")
inputvar2 <- c("34", "35", "45", "60", "34", "23")
data <- data.frame(cbind(outputvar, inputvar1, inputvar2))
data$outputvar <- factor(data$outputvar, exclude = "")
ind0 <- sample(2, nrow(data), replace = TRUE, prob = c(0.7,0.3))
train0 <- data[ind0==1, ]
test0 <- data[ind0==2, ]
fit1 <- randomForest(outputvar~., data=train0, na.action = na.exclude)
print(fit1)
plot(fit1)
p1 <- predict(fit1, train0)
fit1$confusion
p2 <- predict(fit1, test0)
t <- table(prediction = p2, actual = test0$outputvar)
t
以上代码运行完美。我提到的数据框只是一个示例数据框。因为，我不应该生成原始数据。
如你所见，我将训练数据和测试数据分成了 70% 和 30%。
根据我的观察，我可以找到 1377 个观察的测试数据和 3293 个观察的训练。
当我计算测试数据集的混淆矩阵时，我发现它只计算了 1363 个观察值，还剩下 14 个观察值。
此外，我用测试数据集可视化了预测矩阵的 table。
所有这些 NA 都替换为 Yes 或 NO。
我的疑问是，为什么我的混淆矩阵在观察中有差异？
是否在我的预测矩阵中替换了那些 NA，因为 Yes 和 No 是真实的预测？
我是 R 的新手，任何信息都会有所帮助
你似乎对这里的几个基本问题有点困惑...
首先，缺少 dependent 变量（这里是 outputvar）的训练数据毫无意义；如果我们没有样本的实际结果，我们就不能用它来训练，我们应该简单地将它从训练集中删除（除了一些相当极端的方法，在这种方法中，人们试图在将这些样本提供给分类器）。
其次，虽然你似乎暗示（有点......）你的 2 个样本缺少 outputvar 这里是你试图预测的未知样本，但在实践中（即在你的代码中）你没有这样使用它们：由于用于将数据拆分为训练和测试子集的 sample 函数是随机的，因此很容易出现这两个样本中至少一个（甚至两个）最终出现的情况在你的 training 集合中，当然它是没有用的。
第三，即使在某些 运行 中你确实在测试集中得到了这两个样本，你当然不能计算任何混淆矩阵，因为你确实需要基本事实（真实标签）为此。
总而言之，没有真实标签的数据样本，就像您这里的最后两个样本，既不能用于训练也不能用于任何类型的评估，例如混淆矩阵。它们既不能用于训练集，也不能用于测试集。
The above code runs perfectly
不总是；由于 sample 函数的随机性，您可能很容易以 train/test 分裂结束，这使得分类器无法 运行:
> source('~/.active-rstudio-document') # your code verbatim
Error in randomForest.default(m, y, ...) :
Need at least two classes to do classification.
> train0
outputvar inputvar1 inputvar2
1 Yes M 34
5 <NA> M 34
尝试re-run代码自己看几次（因为没有设置随机种子，每个运行原则上都会不同 - 即使是length 你的训练集和测试集在 运行s 之间是不一样的！）。
When I am calculating my Confusion matrix for test data set, I could find that it has calculated only for 1363 observations and 14 observations are left.
鉴于您作为示例显示的内容，这里可以很好地猜测您没有这 14 个观察值的真实标签。并且由于混淆矩阵来自预测与实际标签的比较，当缺少后者时，比较是不可能的，这些样本自然会从混淆矩阵中省略。
Also, I visualised the table for the predicted matrix with test data set. All those NA are replaced with Yes or NO.
不太清楚你在这里的意思；但是如果你的意思是你在你的测试集上 运行 predict 而你没有在预测中得到任何 NAs，这完全符合预期。正如我上面所解释的，混淆矩阵中的 "missing entries" 不是由于缺少预测，而是由于缺少真实标签。
我有一个包含 4669 个观测值和 15 个变量的数据集。
我正在使用随机森林来预测特定产品是否会被接受。
根据我的最新数据，我的输出变量有 "Yes"、"NO" 和“”。
我想预测这个 "" 是 Yes 还是 No。
我正在使用以下代码。
library(randomForest)
outputvar <- c("Yes", "NO", "Yes", "NO", "" , "" )
inputvar1 <- c("M", "M", "F", "F", "M", "F")
inputvar2 <- c("34", "35", "45", "60", "34", "23")
data <- data.frame(cbind(outputvar, inputvar1, inputvar2))
data$outputvar <- factor(data$outputvar, exclude = "")
ind0 <- sample(2, nrow(data), replace = TRUE, prob = c(0.7,0.3))
train0 <- data[ind0==1, ]
test0 <- data[ind0==2, ]
fit1 <- randomForest(outputvar~., data=train0, na.action = na.exclude)
print(fit1)
plot(fit1)
p1 <- predict(fit1, train0)
fit1$confusion
p2 <- predict(fit1, test0)
t <- table(prediction = p2, actual = test0$outputvar)
t
以上代码运行完美。我提到的数据框只是一个示例数据框。因为，我不应该生成原始数据。
如你所见，我将训练数据和测试数据分成了 70% 和 30%。 根据我的观察，我可以找到 1377 个观察的测试数据和 3293 个观察的训练。
当我计算测试数据集的混淆矩阵时，我发现它只计算了 1363 个观察值，还剩下 14 个观察值。
此外，我用测试数据集可视化了预测矩阵的 table。 所有这些 NA 都替换为 Yes 或 NO。
我的疑问是，为什么我的混淆矩阵在观察中有差异？
是否在我的预测矩阵中替换了那些 NA，因为 Yes 和 No 是真实的预测？
我是 R 的新手，任何信息都会有所帮助
你似乎对这里的几个基本问题有点困惑...
首先，缺少 dependent 变量（这里是 outputvar）的训练数据毫无意义；如果我们没有样本的实际结果，我们就不能用它来训练，我们应该简单地将它从训练集中删除（除了一些相当极端的方法，在这种方法中，人们试图在将这些样本提供给分类器）。
其次，虽然你似乎暗示（有点......）你的 2 个样本缺少 outputvar 这里是你试图预测的未知样本，但在实践中（即在你的代码中）你没有这样使用它们：由于用于将数据拆分为训练和测试子集的 sample 函数是随机的，因此很容易出现这两个样本中至少一个（甚至两个）最终出现的情况在你的 training 集合中，当然它是没有用的。
第三，即使在某些 运行 中你确实在测试集中得到了这两个样本，你当然不能计算任何混淆矩阵，因为你确实需要基本事实（真实标签）为此。
总而言之，没有真实标签的数据样本，就像您这里的最后两个样本，既不能用于训练也不能用于任何类型的评估，例如混淆矩阵。它们既不能用于训练集，也不能用于测试集。
The above code runs perfectly
不总是；由于 sample 函数的随机性，您可能很容易以 train/test 分裂结束，这使得分类器无法 运行:
> source('~/.active-rstudio-document') # your code verbatim
Error in randomForest.default(m, y, ...) :
Need at least two classes to do classification.
> train0
outputvar inputvar1 inputvar2
1 Yes M 34
5 <NA> M 34
尝试re-run代码自己看几次（因为没有设置随机种子，每个运行原则上都会不同 - 即使是length 你的训练集和测试集在 运行s 之间是不一样的！）。
When I am calculating my Confusion matrix for test data set, I could find that it has calculated only for 1363 observations and 14 observations are left.
鉴于您作为示例显示的内容，这里可以很好地猜测您没有这 14 个观察值的真实标签。并且由于混淆矩阵来自预测与实际标签的比较，当缺少后者时，比较是不可能的，这些样本自然会从混淆矩阵中省略。
Also, I visualised the table for the predicted matrix with test data set. All those NA are replaced with Yes or NO.
不太清楚你在这里的意思；但是如果你的意思是你在你的测试集上 运行 predict 而你没有在预测中得到任何 NAs，这完全符合预期。正如我上面所解释的，混淆矩阵中的 "missing entries" 不是由于缺少预测，而是由于缺少真实标签。