Question

我正在尝试使用multinom() nnet个multinom()包对以下数据执行逻辑回归：R：
Train Data
Test Data

数据描述：

每个列车和测试文件都有10,000行数据和144个变量，其中最后一列是“预测”，这是应该在测试数据中预测的列。因为，predict只包含两个值0和1（二进制），所以我开始使用train_data <- read.csv("train_data.csv") test_data <- read.csv("test_data.csv") library(nnet) my_multinom <- multinom(formula= as.factor(Predict) ~ ., data= train_data) predictions <- predict(my_multinom, test_data[,1:143])将列车数据拟合到逻辑回归模型。大多数行是连续的数值，而一些字段包含名称字段，如工作日的名称（“星期日”，“星期一”，......），这些都被视为因子。

以下是使用的代码：

> summary(predictions)
   0    1   NA's 
 130   52   9818

输出是：

NA's

其中，Predict的{{1}}列中没有train_data：

> summary(as.factor(train_data$Predict))
   0    1 
9734  266

我想知道发生如此大量NA's（超过98％）的原因是什么，以及如何继续进行以便我可以避免这些NA's？

Answer 1

查看您的测试数据。预测为NA的每一行都包含NA值：

all(apply(sapply(test_data[is.na(predictions),1:143], is.na),1,any))
#[1] TRUE

其他行不包含任何NA值：

any(apply(sapply(test_data[!is.na(predictions),1:143], is.na),1,any))
#[1] FALSE

在R中逻辑回归（使用multinom）的输出中出现NAs

数据描述：

1 个答案: