R语言决策树建模计算混淆矩阵报因子水平不匹配错误的问题咨询

第一类报错：data 和 reference 需为同水平因子 #

• 你在mutate步骤主动将Customer type字段转为character类型，而rpart设置type='class'输出的预测结果默认是因子类型，两者类型不匹配
• 若测试集存在训练集未覆盖的标签类别，即使类型统一，因子水平不对齐也会触发该报错

第二类报错：!all.equal(nrow(data), ncol(data)) 参数无效 #

• 样本拆分代码存在本质错误：caTools::sample.split() 第一个参数需要传入待拆分的标签向量，你直接传入了字符串'Customer type'而非df$Customer type``，导致生成的sample逻辑向量长度仅为1，拆分得到的训练/测试集要么为空要么完全错乱，最终列联表维度不匹配
• 决策树公式写法错误：你写为rpart(df$Customer type ~., data = train)，公式内引用了全量df的字段，和指定的data=train不匹配，导致模型训练用的标签/特征长度不匹配，预测结果分布异常
• Time字段强制转numeric逻辑错误：原始Time为时分秒格式的字符，直接as.numeric会生成全NA值，引入无效特征干扰模型训练

1. 修正数据处理逻辑 #

• 去掉Customer type转character的逻辑，将分类字段显式转为因子，避免自动转换出错：

  df <- df %>% mutate(
    `Customer type` = factor(`Customer type`),
    City = factor(City),
    Gender = factor(Gender),
    Payment = factor(Payment)
  )
  

• 处理/删除冗余无效字段：

  # 不需要Date、Time的话直接排除，避免无效转换
  df <- select(df, City, `Customer type`, Gender, Quantity, Total, Payment, Rating)
  # 若需要用Time特征，拆分出小时数后再删除原Time字段：
  df <- df %>% mutate(Hour = as.numeric(substr(Time, 1, 2))) %>% select(-Time, -Date)
  

2. 修正样本拆分代码 #

• 给sample.split()传入正确的标签向量，保证拆分后训练/测试集均有足够样本：

  set.seed(123)
  # 注意这里传的是df的Customer type列，不是字符串
  sample <- sample.split(Y = df$`Customer type`, SplitRatio = 0.7)
  train <- subset(df, sample == TRUE)
  test <- subset(df, sample == FALSE)
  

3. 修正决策树训练公式 #

• 公式内直接引用字段名，不要加df前缀，和data参数匹配：

  tree <- rpart(`Customer type` ~ ., data = train)
  

4. 统一预测值与真实标签的因子水平 #

• 以训练集的标签水平为统一标准，对齐测试集真实标签、预测值的因子类型与水平：

  # 先完成预测
  tree.customertype.predicted <- predict(tree, test, type = 'class')
  # 提取训练集的标签水平作为参照
  ref_levels <- levels(train$`Customer type`)
  # 预测结果转因子并对齐水平
  pred <- factor(tree.customertype.predicted, levels = ref_levels)
  # 测试集真实标签转因子并对齐水平
  true <- factor(test$`Customer type`, levels = ref_levels)
  

5. 正确调用confusionMatrix #

• 两种调用方式均合法，优先直接传入对齐后的因子：

  # 直接传入对齐后的因子（推荐）
  confusionMatrix(data = pred, reference = true)
  # 或传入对齐后生成的方阵列联表
  confusionMatrix(table(pred, true))
  

内容的提问来源于stack exchange，提问作者Nicolas Duaut