caret使用ranger构建随机森林时设置na.roughfix仍报缺失值错误如何解决

问题根本原因 #

caret的三种数据传入模式的预处理逻辑是互斥的：

• 传入recipe时，所有预处理逻辑由recipe接管，train函数的na.action、preProcess参数都会被忽略
• 传入公式时，仅na.action参数生效，preProcess参数不可用
• 传入X/Y矩阵时，仅preProcess参数生效，na.action参数被忽略

你需要的na.roughfix逻辑是数值变量用中位数填充、分类变量用众数填充，可以通过两种方案实现两个预处理步骤共存，无需手动处理数据。

方案1：全部预处理逻辑放到recipe中（推荐） #

直接在recipe里补充缺失值填充步骤，和原na.roughfix效果完全一致，同时保留NZV移除逻辑：

# 无需修改原有trainControl、调参网格代码，仅修改recipe
blueprint <- recipe(target ~ ., data = train_data) %>%
  # 复刻na.roughfix填充逻辑：数值列用中位数、分类列用众数填充缺失值
  step_impute_median(all_numeric_predictors()) %>%
  step_impute_mode(all_nominal_predictors()) %>%
  # 原有近零方差变量移除步骤
  step_nzv(all_predictors())

# train调用时删除na.action参数即可
tuned_rf <- train(
  blueprint,
  data = train_data,
  method = "ranger",
  metric = "ROC",
  trControl = train_control,
  tuneGrid = hyper_grid
)

方案2：使用X/Y传入，预处理逻辑全部放到preProcess中 #

preProcess可同时指定缺失值填充和NZV过滤，无需修改其他逻辑：

# 提取特征矩阵和响应变量
X <- train_data[, !names(train_data) %in% "target"]
Y <- train_data$target

tuned_rf <- train(
  X,
  Y,
  method = "ranger",
  metric = "ROC",
  trControl = train_control,
  tuneGrid = hyper_grid,
  # 同时执行缺失值填充、NZV过滤，填充逻辑和na.roughfix完全一致
  preProcess = c("medianImpute", "modeImpute", "nzv")
)

内容的提问来源于stack exchange，提问作者RKF