预测glmnet()的问题：“对比只能适用于2级或2级以上的因素”
预测glmnet()的问题：“对比只能适用于2级或2级以上的因素”
提问于 2020-10-08 18:10:32
我使用R的glmnet软件包训练了一个受惩罚的回归模型，X使用一个sparse.model.matrix构造，公式为"~ .* (var1)“，以便从我的数据和与var1的交互中获得每个术语：
X3 <- sparse.model.matrix(object = ~.*(var1), data = X)[,-1]
cv_lasso <- cv.glmnet(x = X3, y = Y3,
alpha = 1,
nfold = 10,
family = "binomial",
nlambda = 100,
lambda.min.ratio=0.001,
type.measure="auc",
keep = TRUE,
parallel = TRUE)现在，我正在尝试预测几个数据点，但是当将newX转换为与predict.glmnet()一起使用的model.matrix时，如下所示：
X_pred <- sparse.model.matrix(object = ~.*(var1), data = X_holdout)
predict(object = cv_lasso,
newx = X_pred,
s = "lambda.min")但我得到了以下错误：
Error in
contrasts<-(*tmp*，value = contr.funs[1 + isOFnn])：对比只适用于2级或2级以上的因素
我相信这可能是由X_holdout的几个列造成的，这些列基本上是常量的(这是正确的，因为我现在正试图预测，我已经成功地训练了)。
我怎样才能避免这个问题？我的理解是，由于我使用交互来训练我的模型，所以我必须在我的预测中创建一个具有相同交互作用的模型矩阵。
回答 1
Stack Overflow用户
回答已采纳
发布于 2020-10-12 04:14:50
找到了问题的根源:一些预测X列是常量的，因为持久化数据明显小于训练数据。
为了解决这个问题，我需要使用"xlevs“参数来为训练数据和预测数据创建稀疏矩阵，并且都使用相同的xlev。
如果您不知道"xlev“是什么，它基本上是一个字符向量列表，它指示将因子变量展开为虚拟/一个热列时要使用的级别。这样，即使您有一个只有一个值的列，sparse.matrix.model()也可以理解有更多的级别，只是它们不存在于数据中。这个参数还将帮助您确保训练矩阵和预测矩阵都有相同的列数，这对于predict.glmnet()非常重要。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/64273001
复制相关文章
相似问题
SensoMineR面板错误在对比中，对比只能适用于2级或2级以上的因素
对比只能适用于2级或2级以上的因素，尽管有两个级别。
对比只能适用于至少两个层次的因素。
使用lm建立回归模型时出现的错误(“对比度”中的错误<-`(`*tmp*`)对比只能适用于2级或2级以上的因素)
对比只适用于因素。
添加站长 进交流群
领取专属 10元无门槛券
AI混元助手 在线答疑
关注 腾讯云开发者公众号
洞察 腾讯核心技术
剖析业界实践案例
社区富文本编辑器全新改版！诚邀体验～
全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验
腾讯云开发者
