R Studio中Caret包数据拆分后glm()仍使用全量数据训练问题

问题根源 #

你拟合glm模型的公式写法存在逻辑冲突：

• 你在glm()的data参数中指定了训练集Training，但公式中每个自变量都使用了dataset$x1的写法，这种全局调用全量数据集变量的写法优先级高于data参数的指定，所以模型最终读取的是全量dataset里的所有观测值。
• 额外注意：caret包的数据拆分函数名是首字母小写的createDataPartition，如果你的代码运行时提示找不到函数，需要修正大小写。

解决方案 #

推荐写法 #

去掉公式里的dataset$前缀，直接写变量名，glm()会自动从你指定的Training数据集里读取对应变量：

glm(y ~ x1 + x2 + x3, family = binomial(link = "logit"), data = Training)

备选写法 #

如果需要显式指定变量所属的数据集，统一使用训练集名称即可，此时可以省略data参数：

glm(Training$y ~ Training$x1 + Training$x2 + Training$x3, family = binomial(link = "logit"))

效果验证 #

拟合完成后调用nobs(模型对象名)即可查看模型实际使用的训练样本量，确认数值和nrow(Training)的结果一致即可。

内容的提问来源于stack exchange，提问作者Renee Kaul