将分类变量设为因子后测试集水平缺失导致模型预测报错

错误根源 #

这个错误的核心原因是训练集与测试集的revenu因子水平不匹配：当你仅在训练集将revenu转为因子时，模型会基于训练集的现有类别生成哑变量（比如训练集只有revenu1、revenu2，则生成revenu2这一个哑变量）；但测试集单独转因子时，若存在训练集没有的revenu3类别，会额外生成revenu3哑变量，导致模型预测时找不到对应变量，触发报错。

具体解决方案 #

方案1：先统一全量数据的因子水平，再划分数据集 #

这是最稳妥的做法，确保所有子集的因子水平完全一致：

mydata <- read.csv("rodeo.csv")
# 先在全量数据集上定义分类变量为因子
mydata$emploi <- as.factor(mydata$emploi)
mydata$revenu <- as.factor(mydata$revenu)
mydata$rodeo <- as.factor(mydata$rodeo)

# 再执行数据集划分
set.seed(200)  
n <- nrow(mydata)
id.train <- sample(1:n, 300, replace=FALSE)
id.valid <- sample(setdiff(1:n, id.train), 100, replace=FALSE)
id.test <- setdiff(setdiff(1:n, id.train), id.valid)

mydata.train <- mydata[id.train,]
mydata.valid <- mydata[id.valid,]
mydata.test <- mydata[id.test,]

方案2：手动对齐已划分数据集的因子水平 #

如果不想重新划分数据集，可强制将测试集的因子水平与训练集保持一致：

# 对齐revenu的因子水平
mydata.test$revenu <- factor(mydata.test$revenu, levels = levels(mydata.train$revenu))
# 同步对齐其他分类变量
mydata.test$emploi <- factor(mydata.test$emploi, levels = levels(mydata.train$emploi))
mydata.test$rodeo <- factor(mydata.test$rodeo, levels = levels(mydata.train$rodeo))

注：若测试集存在训练集没有的类别，该类别会被标记为NA，但不会触发变量找不到的错误。

方案3：使用caret的predict方法替代predict.glm #

直接调用caret训练得到的model对象的predict方法，它会自动处理因子水平对齐问题，比predict.glm更安全：

# 输出两类的概率
prob.predict <- predict(model, mydata.test, type = "prob")
# 若仅需正类概率，取对应列（根据你的new_achat水平调整列索引）
prob.predict <- predict(model, mydata.test, type = "prob")[,2]

内容的提问来源于stack exchange，提问作者ebrahimi