线性回归模型预测报错：mpg数据集无因子却出现因子新水平错误

你遇到的这个报错其实很常见，核心问题出在分类变量的水平在训练集和测试集的分布不一致：

• 虽然你用str(mpg)查看时，变量显示为字符型（chr），但当你调用lm()拟合线性回归模型时，R会自动把字符型自变量转换为因子变量来处理分类信息。
• 你随机拆分训练集和测试集时，刚好测试集里出现了训练集从未见过的model水平（也就是报错里的land cruiser wagon 4wd）。模型在训练阶段根本不知道这个水平的存在，自然无法对它进行预测，于是抛出了错误。

你可以用这段代码验证这个差异：

# 查看训练集和测试集的model水平差异
train_models <- unique(mpg[train_ind, ]$model)
test_models <- unique(mpg[-train_ind, ]$model)
setdiff(test_models, train_models)  # 这会返回训练集没有的测试集model水平

针对这个问题，有几种实用的解决思路：

1. 分层抽样确保分类变量水平全覆盖 #

拆分数据集时，按分类变量（比如model）进行分层抽样，保证每个分类水平都能在训练集和测试集里出现。用dplyr就能轻松实现：

library(dplyr)
set.seed(1)

# 按model分层，每个model抽取50%的样本作为训练集
train_ind <- mpg %>%
  group_by(model) %>%
  sample_frac(0.5) %>%
  ungroup() %>%
  pull(row_number())

lm_mod <- lm(displ ~ ., data = mpg[train_ind, ])
lm_pred <- predict(lm_mod, mpg[-train_ind, ])

2. 对齐训练集和测试集的因子水平 #

如果必须用随机抽样，可以在拟合模型前，手动将测试集的因子水平与训练集对齐，把训练集没有的水平转为NA：

set.seed(1)
train.ind <- sample(1:nrow(mpg), round(nrow(mpg)/2))

# 处理训练集：将字符型变量转为因子
train_data <- mpg[train.ind, ]
train_data <- train_data %>% mutate(across(where(is.character), as.factor))

# 处理测试集：对齐因子水平，训练集没有的水平设为NA
test_data <- mpg[-train.ind, ]
test_data <- test_data %>% 
  mutate(across(where(is.character), ~factor(., levels = levels(train_data[[cur_column()]]))))

# 拟合模型并预测
lm_mod <- lm(displ ~ ., data = train_data)
lm_pred <- predict(lm_mod, test_data)

这样测试集里的新水平会被转为NA，预测时不会报错（默认会忽略这些行，或者你可以设置na.action = na.pass保留NA结果）。

3. 简化高基数分类变量 #

model这类分类变量的水平非常多（mpg里有38种model），很容易出现拆分后水平缺失的问题。你可以考虑：

• 去掉这类高基数变量，改用更粗粒度的分类（比如manufacturer）
• 使用正则化模型（如glmnet）来处理高基数分类变量，避免传统线性回归的因子水平限制

内容的提问来源于stack exchange，提问作者Adrian