R caret包train函数preProc参数问题：如何忽略因子列仅中心化缩放数值预测变量

当使用R语言caret包的train()函数时，期望对预测变量执行中心化（center）和缩放（scale）操作，但自动忽略因子（factor）类型列。单独调用preProcess()函数时能正确忽略因子列，但将preProc参数嵌入train()内使用时，因子列被错误纳入了中心化和缩放处理。

单独调用preProcess()的正常情况 #

df <- data.frame(
    score = runif(1000, 80, 110),
    var1 = as.factor(sample(0:1, 1000, replace = TRUE)),
    var2 = runif(1000, 5, 25)
)
preProcess(df[-1], method=c('center','scale'))

输出：

Created from 1000 samples and 2 variables

Pre-processing:

• centered (1)
• ignored (1)
• scaled (1)

train()函数内使用preProc的异常情况 #

df <- data.frame(
    score = runif(1000, 80, 110),
    var1 = as.factor(sample(0:1, 1000, replace = TRUE)),
    var2 = runif(1000, 5, 25)
)
mod <- train(score ~., data = df,
             method = "lm",
             preProc = c("center", "scale"))
mod$preProcess

输出：

Created from 1000 samples and 2 variables

Pre-processing:

• centered (2)
• ignored (0)
• scaled (2)

原因与解决方案 #

问题原因 #

train()函数在处理preProc参数时，会先对因子列执行虚拟变量编码（dummy coding），将因子转换为数值型虚拟变量，之后再对所有数值型变量（包括编码后的虚拟变量）执行中心化和缩放，因此看起来因子列被纳入了处理。

解决方法 #

方法1：手动创建preProcess对象并指定处理列

先定义仅针对数值型预测变量的预处理规则，再传入train()函数：

# 创建预处理对象，仅处理数值型预测变量
pre_obj <- preProcess(df[, sapply(df[-1], is.numeric)], method = c("center", "scale"))

# 在train中使用该对象，同时保留因子列
mod <- train(score ~., data = df,
             method = "lm",
             preProcess = pre_obj,
             preProcOptions = list(keepFactors = TRUE))

方法2：使用recipes包精细控制预处理逻辑

通过配方系统可以针对不同类型变量设置独立的预处理规则：

library(recipes)

# 创建配方：仅对数值型预测变量执行中心化和缩放
rec <- recipe(score ~., data = df) %>%
  step_center(all_numeric_predictors()) %>%
  step_scale(all_numeric_predictors())

# 基于配方训练模型
mod <- train(rec, data = df, method = "lm")

使用上述两种方法后，预处理只会作用于数值型预测变量，因子列会被保留或忽略，符合预期需求。

内容的提问来源于stack exchange，提问作者Jesse