Question

嗨，我是R编程语言的初学者。我使用rpart包为回归树编写了一个代码。在我的数据中，我的一些自变量有超过100个级别。运行rpart函数后我收到以下警告信息“预测因子超过52个级别，因打印输出而被截断”＆amp;我的树以非常奇怪的方式展示。比方说，我的树按位置分割，有大约70个不同的等级，但当标签显示在树中时，它显示“ZZZZZZZZZZZZZZZZ ...........”，我没有任何位置名为“ZZZZZZZZ”

请帮帮我。

提前致谢。

Answer 1

R中的许多函数都限制了因子类型变量可以具有的级别数（即randomForest将因子的级别数限制为32）。

我看到它在数据挖掘竞赛中所处理的一种方式是：

1）确定给定函数允许的最大级别数（调用此X）。

2）使用table()确定每个因子水平的出现次数，并将它们从最大到最小排名。

3）对于因子的最高X - 1级别，将它们保持原样。

4）对于水平＆lt; X将所有内容更改为一个因素，以将其标识为低发生级别。

这是一个有点长但有希望帮助的例子：

# Generate 1000 random numbers between 0 and 100.
vars1 <- data.frame(values1=(round(runif(1000) * 100,0)))
# Changes values to factor variable.
vars1$values1 <- factor(vars1$values1)
# Show top 6 rows of data frame.
head(vars1)
# Show the number of unique factor levels
length(unique(vars1$values1 ))
# Create table showing frequency of each levels occurrence.
table1 <- data.frame(table(vars1 ))
# Orders the table in descending order of frequency.
table1 <- table1[order(-table1$Freq),]
head(table1)
# Assuming we want to use the CART we choose the top 51
# levels to leave unchanged
# Get values of top 51 occuring levels
noChange <- table1$vars1[1:51]
# we use '-1000' as factor to avoid overlap w/ other levels (ie if '52' was 
# actually one of the levels).
# ifelse() checks to see if the factor level is in the list of the top 51
# levels.  If present it uses it as is, if not it changes it to '-1000'
vars1$newFactor <- (ifelse(vars1$values1 %in% noChange, vars1$values1, "-1000")) 
# Show the number of levels of the new factor column.
length(unique(vars1$newFactor))

最后，您可能需要考虑在rpart中使用截断变量，因为当存在大量变量或者它们具有长名称时，树显示变得非常繁忙。

R：预测因子中超过52个级别，因打印输出而被截断

1 个答案: