R语言交叉验证及CV绘图失败，Lasso模型预测出错求助

一、交叉验证CV Errors全为NaN问题 #

原因分析 #

1. 循环内判断条件sum(best.fit$which[i, ]) > 0逻辑错误：best.fit$which的行对应不同变量数的模型，列对应变量，该条件无法正确判断模型是否有效，导致大量循环未执行，cv.errors矩阵始终为NA。
2. 数据集存在NA值：scaled_train_df中的缺失值会导致模型拟合或预测失败，生成NaN。
3. 哑变量不匹配：训练集和验证集的分类变量水平不一致，导致predict.regsubsets函数生成的预测值为NA。

解决方案 #

1. 修正循环判断逻辑
   替换错误的判断条件，直接检查对应变量数的模型是否有系数：

   k <- 10
   set.seed(42)
   folds <- sample(1:k, nrow(scaled_train_df), replace = TRUE)
   cv.errors <- matrix(NA, k, 10, dimnames = list(NULL, paste(1:10)))
   
   for (j in 1:k) {
     best.fit <- regsubsets(Pris ~ ., data = scaled_train_df[folds != j, ], nvmax = 10)
     for (i in 1:10) {
       # 检查对应变量数的模型是否存在有效系数
       coef_i <- coef(best.fit, id = i)
       if (!is.null(coef_i)) {
         pred <- predict(best.fit, scaled_train_df[folds == j, ], id = i)
         actual <- scaled_train_df$Pris[folds == j]
         cv.errors[j, i] <- mean((actual - pred)^2, na.rm = TRUE)
       }
     }
   }
   

2. 清理数据集缺失值
   移除或填充NA值，确保模型拟合正常：

   # 方式1：直接移除含NA的行
   scaled_train_df <- na.omit(scaled_train_df)
   # 方式2：按变量类型填充NA（数值变量用均值，分类变量用众数）
   scaled_train_df$Miltal[is.na(scaled_train_df$Miltal)] <- mean(scaled_train_df$Miltal, na.rm = TRUE)
   scaled_train_df$Bränsle[is.na(scaled_train_df$Bränsle)] <- names(which.max(table(scaled_train_df$Bränsle)))
   

3. 同步分类变量水平
   确保验证集的分类变量水平与训练集一致：

   # 同步所有分类变量的水平
   for(col in c("Bränsle", "Växellåda", "Biltyp", "Drivning")){
     scaled_train_df[[col]] <- as.factor(scaled_train_df[[col]])
     # 若验证集是scaled_train_df的子集可跳过，否则需同步外部测试集
     # scaled_test_df[[col]] <- factor(scaled_test_df[[col]], levels = levels(scaled_train_df[[col]]))
   }
   

二、Lasso模型预测变量数不匹配问题 #

原因分析 #

1. 训练集与测试集的变量数不一致：训练Lasso时的x矩阵和测试集x_test的变量数不同，通常是因为分类变量生成的哑变量数量不一致（比如训练集某分类变量有3个水平，测试集只有2个）。
2. model.matrix生成的矩阵未对齐：训练和测试的特征矩阵没有统一变量列，导致维度不匹配。

解决方案 #

1. 统一特征矩阵生成方式
   基于训练集的变量列生成测试集的特征矩阵，确保维度一致：

   # 生成训练集特征矩阵（去掉截距列）
   x_train <- model.matrix(Pris ~ ., data = scaled_train_df)[, -1]
   y_train <- scaled_train_df$Pris
   
   # 同步测试集分类变量水平
   for(col in c("Bränsle", "Växellåda", "Biltyp", "Drivning")){
     scaled_test_df[[col]] <- factor(scaled_test_df[[col]], levels = levels(scaled_train_df[[col]]))
   }
   
   # 生成测试集特征矩阵，仅保留训练集存在的变量
   x_test <- model.matrix(Pris ~ ., data = scaled_test_df)[, colnames(x_train)]
   
   # 重新训练Lasso并预测
   grid <- 10^seq(10, -2, length = 100)
   lasso.mod <- glmnet(x_train, y_train, alpha = 1, lambda = grid)
   set.seed(42)
   cv.out <- cv.glmnet(x_train, y_train, alpha = 1)
   bestlam <- cv.out$lambda.min
   
   lasso.pred <- predict(lasso.mod, newx = x_test, s = bestlam)
   

2. 解决绘图警告
   collapsing to unique 'x' values是因为lambda值重复，生成唯一的lambda序列即可：

   grid <- unique(10^seq(10, -2, length = 100)) # 去重lambda值
   lasso.mod <- glmnet(x_train, y_train, alpha = 1, lambda = grid)
   plot(lasso.mod)
   

3. 修复均方误差计算
   确保预测值生成后再执行逆缩放：

   # 逆缩放计算真实均方误差
   pred <- lasso.pred * pris_scale_factor + pris_scale
   actual <- scaled_test_df$Pris * pris_scale_factor + pris_scale
   mean_error <- mean((actual - pred)^2)
   print(mean_error)
   

内容的提问来源于stack exchange，提问作者l_b