使用R Tidymodels随机森林分类时预测目标变量报错求助

问题根源 #

1. 未知因子水平：留存样本df_holdout中部分分类变量（如var_02、var_30）存在训练集未见过的水平，这些水平被强制转为NA，触发后续报错。
2. 虚拟变量不匹配：训练集生成的虚拟变量（如var_02_X4）因留存样本缺失对应因子水平而未被生成，但训练好的模型期望这些列存在，导致"Missing data"错误。

解决步骤 #

1. 调整Recipe，提前处理分类变量异常

修改你的建模Recipe，加入因子水平处理步骤，确保新数据与训练集的变量结构完全匹配：

df_recipe <- recipe(target ~., data = df_train) %>% 
  step_zv(all_predictors()) %>%
  step_normalize(all_numeric()) %>% 
  step_corr(threshold = 0.7) %>% 
  # 将训练集未见过的新因子水平统一转为"unknown"
  step_unknown(all_nominal_predictors(), new_level = "unknown") %>%
  # 生成虚拟变量，确保训练集所有因子水平对应的列都被保留，新数据缺失的水平填0
  step_dummy(all_nominal_predictors(), -all_outcomes(), keep_original_cols = FALSE)

2. 重新训练模型

用修改后的Recipe重新执行完整的训练流程（从workflow_set到last_fit），得到更新后的wf_final_model。

3. 执行留存样本预测

此时再运行预测代码，新因子水平会被标准化处理，训练集所有虚拟变量也会在留存样本中自动生成（缺失水平对应列填0）：

predict(wf_final_model, df_holdout)

可选优化：合并低频因子水平 #

如果训练集中存在占比极低的因子水平，可提前合并为"other"，减少虚拟变量数量同时避免潜在问题：

df_recipe <- recipe(target ~., data = df_train) %>% 
  step_zv(all_predictors()) %>%
  step_normalize(all_numeric()) %>% 
  step_corr(threshold = 0.7) %>% 
  # 合并占比<1%的低频水平为"other"
  step_other(all_nominal_predictors(), threshold = 0.01, other_level = "other") %>%
  step_unknown(all_nominal_predictors(), new_level = "unknown") %>%
  step_dummy(all_nominal_predictors(), -all_outcomes(), keep_original_cols = FALSE)

关键注意事项 #

• step_unknown必须放在step_dummy之前，确保新水平被统一处理后再生成虚拟变量。
• 重新训练时要保证全流程使用修改后的Recipe，否则模型仍会存在变量不匹配问题。

内容的提问来源于stack exchange，提问作者Ксения