Question

我尝试使用随机森林模型根据身高，体重和兄弟姐妹的数量来预测性别。我从一个包含大量变量的大得多的数据集中获取了数据，但我已经将其清理成了＃34; clean＆＃34; data.frame，省略了NA值，只有我关心的4个变量，最后一列是性别。

我试图摆弄代码并在任何地方搜索，但我无法找到具体的解决方法。

以下是代码：

ind <- sample(nrow(clean),0.8*nrow(clean))
train <- clean[ind,]
test <- clean[-ind,]


rf <- randomForest(Gender ~ ., data = train[,1:4], ntree = 20)

pred <- predict(rf, newdata = test[,-c(length(test))])
cm <- table(test$Gender, pred)
cm

以及输出：

Error in `[.default`(table(observed = y, predicted = out.class), levels(y), : subscript out of bounds
Traceback:

1. randomForest(Gender ~ ., data = train[, 1:4], ntree = 20)
2. randomForest.formula(Gender ~ ., data = train[, 1:4], ntree = 20)
3. randomForest.default(m, y, ...)
4. table(observed = y, predicted = out.class)[levels(y), levels(y)]
5. `[.table`(table(observed = y, predicted = out.class), levels(y), 
 .     levels(y))
6. NextMethod()

Answer 1

问题可能是您的测试数据中存在某种变量级别，而这些级别未反映在您的训练数据中。因此，当它分配结果时，它没有依据这样做。

没有样本数据是不可能肯定的，但这是最可能的情况。尝试设置种子set.seed=3，然后更改种子编号set.seed=28，依此类推几次，看看是否最终找到了一个没有收到错误的组合。

将冲突的数据框与未冲突的数据框进行比较，以查看缺少的内容。

编辑：

此外，尝试运行str(train)和str(test)以确保字段保持不变。如果您愿意，可以通过编辑帖子分享。

如果任何列是缺少级别的因素（意味着它有10个级别，但在测试中只有8个表示为9或10），则可能是一个问题。如果你试图为所有可能的结果创建一个预测因子，那么它们应该是平衡的。

如果没有其他工作，您可以设置一个种子并一次删除一个预测变量，直到它正确运行，然后查看该删除列中的训练集和测试集是如何不同的。

下标越界错误，随机森林模型

1 个答案: