使用tidymodels和ranger构建随机森林分类模型的因子报错问题

核心错误原因 #

• 结果变量编码错误：你用recode_factor(y1, 1= "yes",2 = "no")时，忽略了y1是rbinom生成的0/1取值，没有2这个值，导致所有0被转为NA，最终结果变量只有yes一个有效类别，缺失了no类别。
• cbind导致的数据类型丢失：cbind会将所有向量转为同一类型（这里因子y1被转为字符），再用as.data.frame转换时，虽然会变回因子，但此时结果变量的类别已经不完整，且可能引入隐性问题。

排查步骤 #

• 查看dat_set %>% count(y1)的输出，会发现只有yes和大量NA，没有no类别，这直接说明结果变量编码完全错误。
• 用str(dat_set)查看数据集结构，确认y1的类型和类别是否符合预期。

修正后的代码 #

library(tidyverse)
library(tidymodels)
library(themis)
library(vip)
library(forcats)

set.seed(987)
n = 1500

# 模拟数据：修正结果变量编码，改用data.frame直接构建避免cbind问题
v1 = sample(c(0,1), size = n, replace = TRUE)
v2 = round(runif(n, 18, 80))
v3 = sample(c(0,1), size = n, replace = TRUE)
v4 = sample(c(0,1), size = n, replace = TRUE)
v5 = sample(c(0,1), size = n, replace = TRUE)
v6 = rbinom(n = n, size = 1, prob = .50)

xb = -9 + 3.5*v1 + 0.2*v2 + 0*v3 + 0*v4 +0*v5 + 0*v6  
p = 1/(1 + exp(-xb))

y1 = rbinom(n = n, size = 1, prob = p)

# 修正：映射0到no，1到yes，确保所有取值都被覆盖
y1 = dplyr::recode_factor(y1, `0` = "no", `1` = "yes")

# 直接用data.frame构建，避免cbind导致的类型转换问题
dat_set = data.frame(v1, v2, v3, v4, v5, v6, y1)

# 查看结果变量分布，确认两个类别都存在
dat_set %>% count(y1)
class(dat_set$y1)

# 拆分训练集和测试集
set.seed(123)
rf_split = initial_split(dat_set, strata = y1)
rf_train = training(rf_split)
rf_test = testing(rf_split)

# 构建交叉验证折数
set.seed(234)
rf_folds = vfold_cv(rf_train, strata = y1)

# 配方、模型和工作流
ranger_recipe = 
  recipe(formula = y1 ~ ., data = rf_train)

ranger_spec = 
  rand_forest(mtry = tune(), min_n = tune(), trees = 1000) %>%  
  set_mode("classification") %>%  
  set_engine("ranger", importance = "impurity") 

ranger_workflow = 
  workflow() %>% 
  add_recipe(ranger_recipe) %>%  
  add_model(ranger_spec) 

# 调参
set.seed(93186)
ranger_tune =
  tune_grid(ranger_workflow, 
            resamples = rf_folds, 
            control = control_resamples(save_pred = TRUE))

额外建议 #

• 避免用cbind混合不同类型的向量构建数据框，直接用data.frame()或tibble()更安全，能保留原始数据类型。
• 每次生成结果变量后，务必用count()查看类别分布，确认没有缺失或错误编码的情况。
• 对于分类模型，结果变量必须至少包含两个不同的类别，否则会触发类似的报错。

内容的提问来源于stack exchange，提问作者George