confusionMatrix报错'matrix must have equal dimensions'求助解决方案

问题重现 #

连续三次遇到matrix must have equal dimensions错误，搜索相关Stack Overflow答案均不适用。项目中相关代码如下：

### Classification Forecasting Model #5: Multivariate Adaptive Regression Splines
library(earth)
library(plotmo)
library(plotrix)
marsGrid = expand.grid(.degree = 1:2, .nprune = 2:38)
set.seed(100)
marsModelR1 = train(x = data2014, y = pr_var2014, method = "earth", 
                    preProc = c("center", "scale"), tuneGrid = marsGrid)

# 对比2015年的预测分类与观测分类
marsR1Pred = predict(marsModelR1, newdata = data2015)
> dim(marsR1Pred)
[1] 4120    1

经排查，核心数据维度差异为：

length(pr_var2014)
[1] 3808

执行评估代码时触发错误：

marsR1_PR = postResample(pred = marsR1Pred, obs = pr_var2014)
> marsR1_PR
       RMSE    Rsquared         MAE 
         NA 1.24489e-06          NA

marsModelR1_CFM <- confusionMatrix(data = marsR1Pred, reference = pr_var2014,
                                   positive = "Increase")
> marsModelR1_CFM <- confusionMatrix(data = marsR1Pred, reference = pr_var2014,
+                                    positive = "Increase")
Error in confusionMatrix.matrix(data = marsR1Pred, reference = pr_var2014,  : 
  matrix must have equal dimensions

已尝试的无效修复方法 #

• 尝试随机采样匹配预测结果长度：

marsModelR1_CFM <- confusionMatrix(data = marsR1Pred, 
                                   reference = sample(pr_var2014, length(marsR1Pred)),
                                   positive = "Increase")
Error in confusionMatrix.matrix(data = marsR1Pred, reference = sample(pr_var2014,  : 
  matrix must have equal dimensions

• 指定采样4120条数据：

> length(pr_var2014)
[1] 3808
> length(marsR1Pred)
[1] 4120
> marsModelR1_CFM <- confusionMatrix(data = marsR1Pred, 
+                                    reference = sample(pr_var2014, 4120),
+                                    positive = "Increase")
Error in confusionMatrix.matrix(data = marsR1Pred, reference = sample(pr_var2014,  : 
  matrix must have equal dimensions

解决方案 #

核心问题是逻辑错误：用2014年数据训练模型，却拿2015年的预测结果和2014年的真实标签pr_var2014做对比，两者样本量完全不匹配（4120 vs 3808）。

正确处理步骤：

1. 找到2015年对应的真实标签变量（例如命名为pr_var2015），确保其长度与data2015行数一致（即4120）
2. 使用2015年真实标签与预测结果做评估：

# 替换为实际2015年的真实标签变量
marsR1_PR = postResample(pred = marsR1Pred, obs = pr_var2015)
marsModelR1_CFM <- confusionMatrix(data = marsR1Pred, reference = pr_var2015,
                                   positive = "Increase")

若没有2015年真实标签，需重新调整实验设计：

• 可将2014年数据划分为训练集和验证集，用验证集标签做评估
• 或调整预测逻辑，确保预测结果与对比标签的样本量严格一致

注：之前的采样方法无效，是因为pr_var2014仅3808条数据，无法在不重复采样的前提下提取4120条；即使开启重复采样，这种对比也无业务意义，属于无效评估。

内容的提问来源于stack exchange，提问作者Marlen