测试集中存在的训练集的特征向量中看不见的值

Question

我有一个数据集，其中包含一个与给予某人的称呼有关的特征向量。先生，夫人等我正在使用这个特征向量来预测这些人的年龄，但我的训练集并不包含我在测试集中看到的所有值。我已经考虑过这种方法，我可以将我的测试集和训练集中的这个特定特征向量的值组合起来，但我不想这样做，我认为这是作弊，因为我们正在使用来自我们测试集的信息动车组。我真的想对如何解决问题有一些意见。

训练集中的所有值：

levels(as.factor(x$Salutation))
 [1] "Capt"     "Col"      "Countess" "Don"      "Dr"       "Jonkheer" "Lady"     "Major"    "Master"   "Miss"   "Mlle"     "Mme"      "Mr"       "Mrs"      "Ms"       "Rev"      "Sir"

测试集中存在的所有值：

levels(as.factor(y$Salutation))
[1] "Col"    "Dona"   "Dr"     "Master" "Miss"   "Mr"     "Mrs"    "Ms"     "Rev"

致敬＆＃34; Dona＆＃34;当我试图预测测试集上的年龄时，搞砸了我的决策树

Answer 1

正如BondedDust指出的那样，没有办法知道什么＆＃34; Dona＆＃34;可能意味着。但是，您可以将此类观察标记为＆＃34; NA＆＃34;这是决策树可以处理的东西。然后根据你的问题表述你可以

1. 称呼为NA的人的输出NA年龄
2. 将年龄的总体平均值替换为NA致敬的人
3. 可能将代表NA致敬的人的平均年龄替换为在考试集中有NA称呼的人

什么是合适的取决于数据来源，是否有其他变量，评估指标是什么等等。

Answer 2

另一种方法是，如果您的训练集足够大，并且如果您能够放弃没有所需功能集的数据，则可以这样做。删除该特定数据行。当我的训练数据集庞大时，我做了很多次。