我有一个包含4669个观测值和15个变量的数据集。
我正在使用随机森林来预测某个特定产品是否会被接受。
使用我的最新数据，我的输出变量为“是”，“否”和“”。
我想预测这个“”是否会有“是”或“否”。
我正在使用以下代码。
library(randomForest)
outputvar <- c("Yes", "NO", "Yes", "NO", "" , "" )
inputvar1 <- c("M", "M", "F", "F", "M", "F")
inputvar2 <- c("34", "35", "45", "60", "34", "23")
data <- data.frame(cbind(outputvar, inputvar1, inputvar2))
data$outputvar <- factor(data$outputvar, exclude = "")
ind0 <- sample(2, nrow(data), replace = TRUE, prob = c(0.7,0.3))
train0 <- data[ind0==1, ]
test0 <- data[ind0==2, ]
fit1 <- randomForest(outputvar~., data=train0, na.action = na.exclude)
print(fit1)
plot(fit1)
p1 <- predict(fit1, train0)
fit1$confusion
p2 <- predict(fit1, test0)
t <- table(prediction = p2, actual = test0$outputvar)
t
以上代码运行完美。我提到的数据帧只是一个示例数据帧。因为，我不应该生成原始数据。
如您所见，我已将训练数据和测试数据分为70％和30％。 根据我的观察，我可以通过1377次观察和3293次观察训练找到测试数据。
当我计算测试数据集的混淆矩阵时，我发现它只计算了1363个观测值，剩下14个观测值。
此外，我使用测试数据集将表格显示为预测矩阵。 所有那些NA都替换为是或否。
我的疑问是，为什么我的混淆矩阵在观察上有差异？
这些NA是否在我的预测矩阵中被替换为是和否是真实的预测？
我是R的新手，任何信息都会有所帮助
答案 0 :(得分：1)
你似乎对这里的几个基本问题感到有些困惑......
首先，缺少依赖变量（此处为outputvar）的训练数据毫无意义;如果我们没有样本的实际结果，我们就不能将它用于训练，我们应该简单地将它从训练集中移除（除了一些相当极端的方法，其中一个人试图在将这些样本送到分类器）。
其次，虽然你似乎暗示（有点......）你的2个遗失outputvar的样本是你试图预测的未知样本，但在实践中（即在你的代码中）你不是使用它们：因为sample功能用于将数据拆分为训练和测试子集是随机的，很容易就是这两个样本中至少有一个（甚至两个）最终都出现在你的 training 集中，当然它没用。
第三，即使在某些运行中你最终确实使用了测试集中的这两个样本，你当然也无法计算任何混淆矩阵，因为你确实需要基础事实（真实标签）这样做。
总而言之，没有真正标签的数据样本（如此处的最后两个）对于培训和任何类型的评估都没有用，例如混淆矩阵。它们不能在训练集或测试集中使用。
以上代码运行完美
并非总是如此;由于sample函数的随机性，您可能很容易最终得到使分类器无法运行的训练/测试分裂：
> source('~/.active-rstudio-document') # your code verbatim
Error in randomForest.default(m, y, ...) :
Need at least two classes to do classification.
> train0
outputvar inputvar1 inputvar2
1 Yes M 34
5 <NA> M 34
尝试多次重新运行代码以查看（因为没有设置随机种子，每次运行原则上会有所不同 - 甚至训练和测试集的长度也不会在跑步之间是一样的！）。
当我计算测试数据集的混淆矩阵时，我发现它只计算了1363个观测值，剩下14个观测值。
鉴于您作为样本展示的内容，这里的一个好猜测是您没有这14个观察的真实标签。由于混淆矩阵来自预测与实际标签的比较，当后者缺失时，比较是不可能的，这些样本自然会从混淆矩阵中省略。
此外，我使用测试数据集将表格显示为预测矩阵。所有那些NA都替换为是或否。
目前尚不清楚你的意思是什么;但是如果你的意思是你在测试集上运行predict并且你没有在预测中获得任何NA，那么这与预期完全一样。正如我上面解释的那样，混淆矩阵中的“缺失条目”不是由于缺少预测，而是由于缺少真正的标签。