R语言用e1071库做SVM回归时出现test data does not match model错误

问题场景 #

使用R的e1071库构建SVM回归模型：

model = svm(deflated_price~year+month+beds+room_in_apt+nhood, data = train_sample)

模型拟合正常，summary(model)输出符合预期，但执行预测时：

y_hat = predict(model, newdata = test_sample)

触发错误：test data does not match model!

训练集与测试集的结构信息如下：
train_sample结构

str(train_sample)
'data.frame':   48752 obs. of  6 variables:
 $ year          : Factor w/ 19 levels "2000","2001",..: 5 17 5 17 14 13 16 6 7 17 ...
 $ nhood         : chr  "sea cliff" "hayes valley" "pacific heights" "noe valley" ...
 $ beds          : chr  "2" "1" "3" "1" ...
 $ room_in_apt   : Factor w/ 2 levels "0","1": 1 1 1 1 1 1 1 1 1 1 ...
 $ month         : Factor w/ 12 levels "1","2","3","4",..: 9 2 10 10 12 3 11 1 2 3 ...
 $ deflated_price: num  565 920 3055 616 1399 ...

test_sample结构

str(test_sample)
'data.frame':   5000 obs. of  5 variables:
 $ year       : Factor w/ 19 levels "2000","2001",..: 5 5 5 5 5 6 5 6 8 5 ...
 $ nhood      : chr  "alamo square" "alamo square" "alamo square" "alamo square" ...
 $ beds       : chr  "0" "2" "1" "1" ...
 $ room_in_apt: Factor w/ 2 levels "0","1": 1 1 1 1 1 1 1 1 1 1 ...
 $ month      : Factor w/ 12 levels "1","2","3","4",..: 6 6 11 8 7 1 8 3 9 9 ...

错误原因 #

核心问题是分类变量的类型/水平不匹配，具体涉及两个变量：

1. beds变量：训练集里的beds是字符型，取值为"2","1","3"等，但测试集出现了训练集没有的"0"。模型拟合时，字符型变量会被自动转为因子，测试集的新因子水平（"0"）不在训练集的水平范围内，导致预测失败。
2. nhood变量：同样为字符型，测试集里的"alamo square"在训练集的样本中从未出现过，属于模型未见过的新水平，无法被模型处理。
3. 额外注意：即使手动添加deflated_price字段，也无法解决分类变量水平不匹配的核心问题。

解决方法 #

方法1：统一转换为因子并对齐水平

先将训练集的字符型变量转为因子，再用训练集的水平约束测试集的转换，确保测试集的因子水平是训练集的子集：

# 处理训练集的分类变量
train_sample$beds <- factor(train_sample$beds)
train_sample$nhood <- factor(train_sample$nhood)

# 用训练集的水平转换测试集，未出现的水平转为NA
test_sample$beds <- factor(test_sample$beds, levels = levels(train_sample$beds))
test_sample$nhood <- factor(test_sample$nhood, levels = levels(train_sample$nhood))

# 重新拟合模型并预测
model <- svm(deflated_price~year+month+beds+room_in_apt+nhood, data = train_sample)
y_hat <- predict(model, newdata = test_sample)

对于转为NA的样本，可选择删除或合并到训练集的某个通用水平（如"other"）。

方法2：将beds转为数值型

beds代表床的数量，本质是数值变量，转为数值型可彻底避免因子水平问题：

# 转换为数值型
train_sample$beds <- as.numeric(train_sample$beds)
test_sample$beds <- as.numeric(test_sample$beds)

# 重新拟合模型并预测
model <- svm(deflated_price~year+month+beds+room_in_apt+nhood, data = train_sample)
y_hat <- predict(model, newdata = test_sample)

此方法更贴合变量的业务含义，推荐优先使用。

内容的提问来源于stack exchange，提问作者Phil