如何修复cor（）函数中的“尺寸不兼容”错误

Question

我正在使用predict（）函数来预测blackFriday_test中的Purchase变量。当我将这些变量用作参数的cor（）时，出现“不兼容的尺寸”错误消息。

我尝试在blackFriday_test中查看Purchas变量的维数，即107516，但预测值仅为32955。

数据是从https://www.kaggle.com/mehdidag/black-friday下载的。

library(caret)

blackFriday <- read.csv("BlackFriday.csv", stringsAsFactors = T)

在这里，我删除了前两个功能，因为它们是标识符

nblackFriday <- blackFriday[, 3:12]

set.seed(189)
train <- sample(nrow(nblackFriday), as.integer(0.8 * nrow(nblackFriday)), replace = F)

blackFriday_train <- nblackFriday[train, ]
blackFriday_test <- nblackFriday[-train, ]

从存在它们的两个变量中删除NA

nblackFriday$Product_Category_2 <- ifelse(is.na(nblackFriday$Product_Category_2), mean(nblackFriday$Product_Category_2, na.rm = T), nblackFriday$Product_Category_2)
nblackFriday$Product_Category_3 <- ifelse(is.na(nblackFriday$Product_Category_3), mean(nblackFriday$Product_Category_3, na.rm = T), nblackFriday$Product_Category_3)

blackFriday_train$Product_Category_2 <- nblackFriday$Product_Category_2[train]
blackFriday_train$Product_Category_3 <- nblackFriday$Product_Category_3[train]

m <- train(Purchase ~ ., data = blackFriday_train, method = "rpart")

p <- predict(m, blackFriday_test)

cor(p, blackFriday_test$Purchase)
```
#This is where I get the error

I expect the number of predicted values to be the same as the number of rows in blackFriday_test, but they are not.

Answer 1

您替换了训练数据集中的缺失值，但没有替换测试数据。因此，您对测试的预测低于测试数据集的行数。

您应在整个数据集上应用您的操作（例如替换NA），然后拆分为训练/测试。这样，您的两个数据集将相似，并且预测将更好地工作。

Answer 2

您在训练集中替换了NA，但在测试集中替换了不是，因此这些情况被省略了。

> head(blackFriday_test)
   Gender   Age Occupation City_Category Stay_In_Current_City_Years Marital_Status Product_Category_1
3       F  0-17         10             A                          2              0                 12
6       M 26-35         15             A                          3              0                  1
15      F 51-55          9             A                          1              0                  5
16      F 51-55          9             A                          1              0                  4
21      M 26-35         12             C                         4+              1                  5
22      M 26-35         12             C                         4+              1                  8
   Product_Category_2 Product_Category_3 Purchase
3                  NA                 NA     1422
6                   2                 NA    15227
15                  8                 14     5378
16                  5                 NA     2079
21                 14                 NA     8584
22                 NA                 NA     9872

就像为预期的训练集所做的那样估算他们。

blackFriday_test$Product_Category_2 <- nblackFriday$Product_Category_2[-train]
blackFriday_test$Product_Category_3 <- nblackFriday$Product_Category_3[-train]
p <- predict(m, blackFriday_test)

> length(p) == nrow(blackFriday_test)
[1] TRUE
> cor(p, blackFriday_test$Purchase)
[1] 0.7405558

尝试使用插入符号本身的分区和预处理功能。对我来说，它们有助于避免这类简单的错误。