预测结果维度与给定矩阵不符：lm与gbm模型预测输出异常求助

我来帮你梳理一下这个问题，预测结果只有9976个元素，远少于预期的25万行，大概率是缺失值处理逻辑不一致或者测试集数据本身的问题导致的，咱们一步步来排查：

可能的原因分析 #

• 缺失值处理不统一：你训练lm模型时用了na.action = na.pass（保留含缺失值的行），但训练gbm模型时用了na.action = na.omit（直接删除含缺失值的行）。这意味着gbm的训练集其实是去掉了所有含缺失值的行后的子集——如果你的原始训练集里有大量缺失值，那实际用于训练的行数可能远少于25万。而预测时，gbm默认会沿用类似的逻辑，自动跳过测试集中含缺失值的行，最终导致预测结果行数骤减。
• 测试集本身的问题：有可能你划分训练/测试集时出现了错误，比如测试集实际行数根本不是25万；或者测试集中存在大量含缺失值的行，甚至是因子列出现了训练集没有的新水平，导致模型无法预测这些行。

具体排查步骤 #

1. 确认测试集行数：先跑一下nrow(testing)，看看测试集是不是确实有25万行。如果不是，说明划分数据集的代码有bug，比如抽样逻辑错误或者数据子集操作出错。
2. 检查缺失值分布：用colSums(is.na(testing))查看测试集每一列的缺失值数量，再用sum(complete.cases(testing))看看测试集中完整无缺失的行有多少。如果完整行的数量刚好是9976，那就是缺失值导致的问题。
3. 验证训练集实际使用行数：对于gbm模型，运行nrow(na.omit(training))，看看训练时实际用到了多少行数据。如果这个数字远小于25万，说明原始训练集本身就有大量缺失值。
4. 检查因子水平一致性：用str(training)和str(testing)对比两个数据集的特征类型，尤其是因子列。如果测试集的某个因子出现了训练集没有的新水平，模型可能会无法预测这些行，导致结果行数减少。

解决建议 #

• 统一缺失值处理策略：在划分训练/测试集之前，先对整个数据集做缺失值处理，比如用均值/中位数填充数值型特征，用众数填充分类型特征，或者用mice包做多重插补。这样训练和预测时都没有缺失值，就不会出现行数减少的问题。
• 预测时指定缺失值处理方式：如果不想提前处理缺失值，预测gbm模型时可以明确指定na.action = na.pass，比如：

  predict(modelgbm, newdata = testing, na.action = na.pass)
  

  这样即使测试集有缺失值，模型也会返回对应位置的NA，而不是直接删除行，最终结果行数会和测试集一致，之后你可以再单独处理这些NA值。
• 修复因子水平问题：如果是因子水平不一致导致的，需要把测试集中的新水平映射到训练集的现有水平，或者将该列转为字符型再处理。

内容的提问来源于stack exchange，提问作者mjoudy