使用虚拟变量执行Ridge回归时出现训练测试矩阵变量数不一致问题

问题原因 #

你分别对训练集和测试集调用dummyVars时，函数会基于各自数据集内的分类变量水平生成虚拟变量。如果某个分类变量在训练集和测试集中的水平不完全匹配（比如训练集有某个类别，测试集没有，反之亦然），就会导致生成的虚拟变量数量不一致。

正确解决方案 #

核心原则是：基于训练集创建虚拟变量转换规则，再用同一规则处理测试集，确保两者的特征空间完全对齐。

修改你的代码如下：

library(caret)

# 保留你原有的数据集划分代码
set.seed(3)
train_index <- sample(1:nrow(Data1), round(nrow(Data1) * 0.7))
train <- Data1[train_index, ]
test <- Data1[-train_index, ]

# 仅基于训练集创建dummyVars转换对象
dummy_transformer <- dummyVars(`Time spent on social media` ~ ., data = train, fullRank = F)

# 用同一个转换对象处理训练集和测试集
train_mat <- predict(dummy_transformer, newdata = train) %>% as.matrix()
test_mat <- predict(dummy_transformer, newdata = test) %>% as.matrix()

# 验证变量数量是否一致
ncol(train_mat) == ncol(test_mat)

额外说明 #

• 如果测试集中出现了训练集没有的分类水平，predict()会抛出警告并忽略该水平（对应虚拟变量列全为0）。如果需要处理这种情况，建议在划分数据集前，先将罕见类别合并为“其他”，确保所有分类水平在整个数据集中都有分布。
• 如果你想用dummy_cols解决问题，同样要基于训练集的水平来统一处理测试集，比如使用keep_levels = TRUE参数并对齐列名，避免分别生成虚拟变量。

内容的提问来源于stack exchange，提问作者Stefano Primiterra