Tidymodels排错：因子出现新水平NA警告问题求助

问题根源 #

你的recipe步骤顺序错误：先执行了step_dummy()编码因子变量，再做KNN插补。当因子变量（比如penguins里的sex）存在NA时，step_dummy()会把NA当作一个未定义的新因子水平保留，后续的插补步骤无法回溯修正这个已经被编码的问题，最终触发警告。

正确解决方案 #

调整步骤顺序，先处理因子变量的缺失/未知水平，再执行插补，最后做数值变换和dummy编码：

修正后的代码 #

# penguins dataset tidymodels

# libraries
library(tidyverse)
library(tidymodels)
library(workflowsets)
library(skimr)
library(DataExplorer)
library(SmartEDA)
library(dlookr)
library(dataMaid)
library(GGally)

# import
data <- penguins

# split
set.seed(1) 
data_split <- data %>% initial_split(prop = 0.75, strata = species)
data_train <- training(data_split)
data_test <- testing(data_split)

# 修正后的model recipe：先处理因子缺失，再插补，最后数值处理+编码
recipe <- recipe(species ~ ., data = data_train) %>% 
  # 先给因子的NA标记为统一的新水平，避免step_dummy识别为未定义水平
  step_novel(all_nominal_predictors()) %>%
  # 对所有变量执行KNN插补（包括因子变量）
  step_impute_knn(all_predictors()) %>%
  # 数值变量处理放在插补之后，保证插补用的是原始数据信息
  step_log(all_numeric_predictors()) %>% 
  step_normalize(all_numeric_predictors()) %>% 
  step_corr(all_numeric_predictors(), threshold = 0.9) %>%  
  step_zv(all_numeric_predictors()) %>% 
  step_nzv(all_numeric_predictors()) %>% 
  # 最后对因子做dummy编码
  step_dummy(all_nominal_predictors())

# 应用预处理流程
baked_data_train <- recipe %>% prep() %>% bake(data_train)
baked_data_test <- recipe %>% prep() %>% bake(data_test)

关键说明 #

• step_novel()必须放在插补和step_dummy()之前：它会把因子中的NA标记为__novel__这个统一的新水平，让后续插补步骤能正常识别并处理，不会让step_dummy()把NA当成未定义的异常水平。
• 插补步骤要在数值变换（log、标准化）和dummy编码之前：插补依赖原始变量的分布和分类信息，提前做数值变换或编码会破坏这些信息，导致插补结果失真。
• 若想直接把NA替换为自定义水平，可用step_unknown(all_nominal_predictors(), new_level = "unknown")替代step_novel()，效果一致且更直观。

内容的提问来源于stack exchange，提问作者viki