predict.lm()在测试数据中具有未知因子级别

时间:2010-11-26 12:15:08

标签: r regression linear-regression lm

我正在拟合一个模型来分析数据和预测。如果newdata中的predict.lm()包含模型未知的单个因子级别,则predict.lm()所有都会失败并返回错误。

是否有一种很好的方法让predict.lm()返回模型知道的那些因子水平的预测值和未知因子水平的NA,而不仅仅是错误?

示例代码:

foo <- data.frame(response=rnorm(3),predictor=as.factor(c("A","B","C")))
model <- lm(response~predictor,foo)
foo.new <- data.frame(predictor=as.factor(c("A","B","C","D")))
predict(model,newdata=foo.new)

我希望最后一个命令返回对应于因子级别“A”,“B”和“C”以及对应于未知级别“D”的NA的三个“真实”预测。

7 个答案:

答案 0 :(得分:29)

您必须在进行任何计算之前删除额外的级别,例如:

> id <- which(!(foo.new$predictor %in% levels(foo$predictor)))
> foo.new$predictor[id] <- NA
> predict(model,newdata=foo.new)
         1          2          3          4 
-0.1676941 -0.6454521  0.4524391         NA 

这是一种更通用的方法,它会将原始数据中未出现的所有级别设置为NA。正如Hadley在评论中提到的那样,他们可以选择在predict()函数中包含它,但它们没有

如果你查看计算本身,为什么你必须这样做变得很明显。在内部,预测计算如下:

model.matrix(~predictor,data=foo) %*% coef(model)
        [,1]
1 -0.1676941
2 -0.6454521
3  0.4524391

在底部你有两个模型矩阵。您看到foo.new的列有一个额外的列,因此您不能再使用矩阵计算。如果您要使用新数据集进行建模,您还可以获得一个不同的模型,即为额外级别添加额外虚拟变量的模型。

> model.matrix(~predictor,data=foo)
  (Intercept) predictorB predictorC
1           1          0          0
2           1          1          0
3           1          0          1
attr(,"assign")
[1] 0 1 1
attr(,"contrasts")
attr(,"contrasts")$predictor
[1] "contr.treatment"

> model.matrix(~predictor,data=foo.new)
  (Intercept) predictorB predictorC predictorD
1           1          0          0          0
2           1          1          0          0
3           1          0          1          0
4           1          0          0          1
attr(,"assign")
[1] 0 1 1 1
attr(,"contrasts")
attr(,"contrasts")$predictor
[1] "contr.treatment"

您不仅可以从模型矩阵中删除最后一列,因为即使您这样做,其他级别仍会受到影响。级别A的代码将为(0,0)。对于B,这是(1,0),对于C这个(0,1)......对于D,它再次是(0,0)!所以你的模型假设AD是相同的水平,如果它会天真地删除最后一个虚拟变量。

在更理论的部分:可以在没有所有级别的情况下构建模型。现在,正如我之前尝试解释的那样,该模型对构建模型时使用的级别有效。如果您遇到新级别,则必须构建新模型以包含额外信息。如果您不这样做,您唯一能做的就是从数据集中删除额外的级别。但是,你基本上会丢失其中包含的所有信息,因此通常不被视为良好做法。

答案 1 :(得分:6)

通过MorgenBall整理和扩展功能。它现在也在sperrorest中实现。

其他功能

  • 删除未使用的因子级别,而不是仅将缺失值设置为NA
  • 向用户发出已删除因子级别的消息
  • 检查test_data中是否存在因子变量,如果存在则返回原始data.frame
  • 不仅适用于lmglm,也适用于glmmPQL

注意:此处显示的功能可能会随着时间的推移而改变(改善)。

#' @title remove_missing_levels
#' @description Accounts for missing factor levels present only in test data
#' but not in train data by setting values to NA
#'
#' @import magrittr
#' @importFrom gdata unmatrix
#' @importFrom stringr str_split
#'
#' @param fit fitted model on training data
#'
#' @param test_data data to make predictions for
#'
#' @return data.frame with matching factor levels to fitted model
#'
#' @keywords internal
#'
#' @export
remove_missing_levels <- function(fit, test_data) {

  # https://stackoverflow.com/a/39495480/4185785

  # drop empty factor levels in test data
  test_data %>%
    droplevels() %>%
    as.data.frame() -> test_data

  # 'fit' object structure of 'lm' and 'glmmPQL' is different so we need to
  # account for it
  if (any(class(fit) == "glmmPQL")) {
    # Obtain factor predictors in the model and their levels
    factors <- (gsub("[-^0-9]|as.factor|\\(|\\)", "",
                     names(unlist(fit$contrasts))))
    # do nothing if no factors are present
    if (length(factors) == 0) {
      return(test_data)
    }

    map(fit$contrasts, function(x) names(unmatrix(x))) %>%
      unlist() -> factor_levels
    factor_levels %>% str_split(":", simplify = TRUE) %>%
      extract(, 1) -> factor_levels

    model_factors <- as.data.frame(cbind(factors, factor_levels))
  } else {
    # Obtain factor predictors in the model and their levels
    factors <- (gsub("[-^0-9]|as.factor|\\(|\\)", "",
                     names(unlist(fit$xlevels))))
    # do nothing if no factors are present
    if (length(factors) == 0) {
      return(test_data)
    }

    factor_levels <- unname(unlist(fit$xlevels))
    model_factors <- as.data.frame(cbind(factors, factor_levels))
  }

  # Select column names in test data that are factor predictors in
  # trained model

  predictors <- names(test_data[names(test_data) %in% factors])

  # For each factor predictor in your data, if the level is not in the model,
  # set the value to NA

  for (i in 1:length(predictors)) {
    found <- test_data[, predictors[i]] %in% model_factors[
      model_factors$factors == predictors[i], ]$factor_levels
    if (any(!found)) {
      # track which variable
      var <- predictors[i]
      # set to NA
      test_data[!found, predictors[i]] <- NA
      # drop empty factor levels in test data
      test_data %>%
        droplevels() -> test_data
      # issue warning to console
      message(sprintf(paste0("Setting missing levels in '%s', only present",
                             " in test data but missing in train data,",
                             " to 'NA'."),
                      var))
    }
  }
  return(test_data)
}

我们可以将此函数应用于问题中的示例,如下所示:

predict(model,newdata=remove_missing_levels (fit=model, test_data=foo.new))

在尝试改进此功能的同时,我发现像lmglm等SL学习方法需要相同的水平和训练方法。如果删除了级别,则ML学习方法(svmrandomForest)会失败。这些方法需要火车和火车的所有级别。测试。

一般的解决方案很难实现,因为每个拟合的模型都有不同的存储因子级别组件的方式(fit$xlevelslmfit$contrastsglmmPQL 。至少它在lm相关模型中似乎是一致的。

答案 2 :(得分:5)

如果你想在创建lm模型之后但在调用预测之前处理数据中缺少的级别(假设我们事先并不确切知道哪些级别可能会丢失),这里是我建立的功能来设置所有级别不在NA的模型中 - 预测也会给NA,然后你可以使用另一种方法来预测这些值。

对象将是lm(...,data = trainData)的lm输出

数据将是您要为

创建预测的数据框
missingLevelsToNA<-function(object,data){

  #Obtain factor predictors in the model and their levels ------------------

  factors<-(gsub("[-^0-9]|as.factor|\\(|\\)", "",names(unlist(object$xlevels))))
  factorLevels<-unname(unlist(object$xlevels))
  modelFactors<-as.data.frame(cbind(factors,factorLevels))


  #Select column names in your data that are factor predictors in your model -----

  predictors<-names(data[names(data) %in% factors])


  #For each factor predictor in your data if the level is not in the model set the value to NA --------------

  for (i in 1:length(predictors)){
    found<-data[,predictors[i]] %in% modelFactors[modelFactors$factors==predictors[i],]$factorLevels
    if (any(!found)) data[!found,predictors[i]]<-NA
  }

  data

}

答案 3 :(得分:2)

听起来你可能喜欢随机效果。看看glmer(lme4包)之类的东西。使用贝叶斯模型,当估计它们时几乎没有信息可用时,您将获得接近0的效果。但是,请注意,您必须自己进行预测,而不是使用predict()。

或者,您可以简单地为要包含在模型中的级别创建虚拟变量,例如:星期一的变量0/1,星期二的变量0,星期三的变量等等。如果它包含全0,则星期日将自动从模型中删除。但是在其他数据的星期日列中有一个1将不会使预测步骤失败。它只是假设星期日的影响是其他日子的平均值(可能是也可能不是)。

答案 4 :(得分:2)

线性/逻辑回归的一个假设是很少或没有多重共线性;因此,如果预测变量理想地彼此独立,则模型不需要查看所有可能的因子水平。新因子水平(D)是新的预测因子,并且可以设置为NA而不影响剩余因子A,B,C的预测能力。这就是模型仍然能够进行预测的原因。但是添加新级别D会抛弃预期的架构。这就是整个问题。设置NA修复了。

答案 5 :(得分:1)

如果您在调用lme4时设置了标记allow.new.levels=TRUEpredict包将处理新级别。

示例:如果您的星期几因子位于变量dow和分类结果b_fail中,则可以运行

M0 <- lmer(b_fail ~ x + (1 | dow), data=df.your.data, family=binomial(link='logit')) M0.preds <- predict(M0, df.new.data, allow.new.levels=TRUE)

这是随机效应逻辑回归的一个例子。当然,您可以执行常规回归...或大多数GLM模型。如果你想进入贝叶斯路径,请看看格尔曼&amp; amp;希尔的优秀书籍和Stan基础设施。

答案 6 :(得分:0)

用于拆分测试的快捷方法是将稀有值重新编码为“其他”。这是一个实现:

rare_to_other <- function(x, fault_factor = 1e6) {
  # dirty dealing with rare levels:
  # recode small cells as "other" before splitting to train/test,
  # assuring that lopsided split occurs with prob < 1/fault_factor
  # (N.b. not fully kosher, but useful for quick and dirty exploratory).

  if (is.factor(x) | is.character(x)) {
    min.cell.size = log(fault_factor, 2) + 1
    xfreq <- sort(table(x), dec = T)
    rare_levels <- names(which(xfreq < min.cell.size))
    if (length(rare_levels) == length(unique(x))) {
      warning("all levels are rare and recorded as other. make sure this is desirable")
    }
    if (length(rare_levels) > 0) {
      message("recoding rare levels")
      if (is.factor(x)) {
        altx <- as.character(x)
        altx[altx %in% rare_levels] <- "other"
        x <- as.factor(altx)
        return(x)
      } else {
        # is.character(x)
        x[x %in% rare_levels] <- "other"
        return(x)
      }
    } else {
      message("no rare levels encountered")
      return(x)
    }
  } else {
    message("x is neither a factor nor a character, doing nothing")
    return(x)
  }
}

例如,使用data.table,调用将类似于:

dt[, (xcols) := mclapply(.SD, rare_to_other), .SDcol = xcols] # recode rare levels as other

其中xcolscolnames(dt)的任意子集。