统计学习 - 具有LASSO预测误差的分类模型

Question

我开发了一个关于训练数据的LASSO模型来预测R中的二元响应变量，使用交叉验证来选择我的$ \ lambda $：

x = model.matrix(y ~ x1 + x2 + ... + x23, data=train)[, -1]
library(glmnet)
glm.train = glmnet(x, y = as.factor(train$y), alpha = 1, family = 'binomial')

情节（glm.train，xvar =“lambda”） 网格（） glm.train.cv = cv.glmnet（x，y = train $ dem，alpha = 1，family ='binomial'）     opt.lambd = glm.train.cv $ lambda.min train.fit.lasso = glmnet（x，y = train $ dem，alpha = 1，family ='binomial'）     预测（train.fit.lasso，s = opt.lambd，type =“coefficients”）[1:23，]

然后我在测试数据上测试了模型，得到了可靠的结果（下面，我在测试数据中插入了模型的ROC曲线）：

在我上面使用的训练和测试数据中，我有响应变量的实际值，并且能够使用model.matrix()函数来计算预测值。但是，我有第二部分测试数据，其中响应变量的每个值都是NA。在此数据上应用model.matrix()后，矩阵的维度为0x22：

> dim(x.predict)
[1]  0 22

我尝试了model.matrix()的一些替代方案，但只是出错了。例如，当我尝试使用data.matrix()时，矩阵的尺寸是正确的：

> x.predict = data.matrix(predict.data[c(-1,-2,-3, -5,-6, -10, -14, -18,-19, -21, -26,-27, -34,-35,-36,-37)])
> dim(x.predict)
[1] 5010   23

但是，当我尝试使用我的模型估计概率或分类时，我收到以下错误：

> test$test.probs = predict(train.fit.lasso, newx = x.predict, s = opt.lambd, type = "response")

as.matrix（cbind2（1，newx）％％nbeta）出错：   在为函数'as.matrix'选择方法时评估参数'x'时出错：cbind2（1，newx）％％nbeta中的错误：   文件中的Cholmod错误'X和/或Y有错误的尺寸'../MatrixOps/cholmod_sdmult.c，第90行

  

test $ test.predicts = predict（train.fit.lasso，newx = x.predict [1：5010，]，s = opt.lambd，type =“class”）       as.matrix错误（cbind2（1，newx）％％nbeta）：         在为函数'as.matrix'选择方法时评估参数'x'时出错：cbind2（1，newx）％％nbeta中的错误：         文件中的Cholmod错误'X和/或Y有错误的尺寸'../MatrixOps/cholmod_sdmult.c，第90行

有没有人在使用LASSO之前遇到过这个问题？或者，是否有人可以帮助我理解不同的.matrix()函数如何与LASSO一起使用，以及在响应值为NA时计算预测的可能方法？