使用mutate调用predict.gam出现NA/NaN/Inf报错的问题求助

问题根因 #

• 你在ifelse分支中调用预测函数时，R会先完整计算两个分支的所有结果再按条件筛选，即便你设置了!var3 == 0的过滤条件，预测逻辑还是会把for_est全量数据代入计算，只要存在1条var3 <= 0的记录，log(var3)就会生成Inf/NaN值触发报错。
• 你将GAM模型训练逻辑嵌套在mutate内，既会导致模型被重复训练、运行效率极低，同时如果训练集for_model中存在var3 <= 0的记录，训练阶段就会生成无效值直接报错。
• ggplot的geom_smooth默认会自动丢弃拟合过程中产生的缺失值、无穷值，因此不会触发报错，和手动调用gam的默认行为存在差异。
• var2可正常运行的原因是训练集、预测集中的var2均不存在<=0的记录，log计算不会生成无效值。

解决方案 #

第一步：提前预处理训练数据，单独训练GAM模型，避免训练阶段出现无效值：

library(mgcv)
library(dplyr)

# 过滤训练集中var3<=0的观测，避免log计算生成Inf/NaN
train_clean <- for_model %>% filter(var3 > 0)
# 单独训练模型，设置自动忽略剩余缺失值
gam_mod <- gam(var4 ~ s(log(var3)), data = train_clean, na.action = na.omit)

第二步：预测时先过滤符合条件的观测，再赋值预测结果，避免全量计算：

for_est <- for_est %>%
  # 先初始化var4为NA
  mutate(var4 = NA_real_) %>%
  # 仅对var3>0的行做预测
  rows_update(
    y = filter(., var3 > 0) %>% mutate(var4 = predict.gam(gam_mod, newdata = .)),
    by = intersect(names(.), names(for_est))
  )

如果你的dplyr版本较低不支持rows_update，可以用以下替代写法：

valid_idx <- which(for_est$var3 > 0)
for_est$var4[valid_idx] <- predict.gam(gam_mod, newdata = for_est[valid_idx, ])

内容的提问来源于stack exchange，提问作者Fred-LM