当存在缺失数据时，使用 R 随机森林预测新数据

Question

我想预测包含 NA 行的新数据。 我需要保持这些行在输入数据和预测输出中具有相同的行数。 如何使用 R Caret 训练的随机森林模型来做到这一点？ 我为预测函数的参数 na.action 尝试了不同的值，例如：

predictions = predict(RF_model, newdata = newdata, type = "prob", na.action = "na.exclude")

使用

na.exclude

和

na.omit

行将被删除。使用

na.pass

我得到了错误输出“缺失值”。

编辑：模型已经经过训练，我们正在谈论对全新数据的预测，其中一些不好。我知道我们无法预测这些不良数据，但我需要跟踪这些行。

Answer 1

我想我明白你想要什么。您想要采用经过训练的模型并对可能存在缺失值的新数据进行预测。您希望对于那些含有缺失值的行，预测值为

NA

，而不是估算缺失值。

这是一种方法。我什至可以保持原来的行顺序。假设您的新数据位于名为

new_data

的 data.frame 中，并且经过训练的随机森林模型称为

my_forest

。将它们替换为您的对象的名称。我还假设一个回归模型。如果这是一个分类问题，请告诉我，我可以更改代码。

这是解释我们正在做的事情的分步方法。

library(tidyr)
library(dplyr)
new_data <- new_data %>% rowid_to_column() # add column with rownumber
new_data_na <- new_data %>%
  filter(!complete.cases(.))  # save those rows with NA in separate data.frame
new_data_complete <- new_data %>%
  filter(complete.cases(.))   # keep only those rows with no NA
new_data_complete$predicted <- predict(my_forest, newdata = new_data_complete) # make predictions
new_data_na$predicted <- NA_real # ensure that that NA is the same data type
new_data_predicted <- rbind(new_data_na, new_data_complete)  # bind rows
arrange(new_data_predicted, rowid) # return data to original order

这里是使用

dplyr

工具的模式代码高效管道方法。请注意这看起来多么简单。

case_when

结构使用

complete.cases(.)

检查每一行的 NA 值。参数中的

.

告诉

complete.cases

使用所有列。如果没有

NA

值，则

complete.cases(.)

返回

TRUE

，并且预测在该行上运行。同样，

newdata = .

用于告诉

predict()

使用所有列。如果有一个或多个

NA

值，

complete.cases(.)

将返回

FALSE

。

case_when

结构的第二行是当第一行不是

TRUE

时的总称。如果第一行不是

TRUE

，我们希望预测值返回

NA

。请注意，此方法不涉及将数据分开，因此无需努力将其重新组合在一起。

library(dplyr)
new_data %>%
  mutate(predicted = case_when(complete.cases(.) ~ predict(my_forest, newdata = .),
                               TRUE ~ NA_real_)

Answer 2

矢量<- 1:100

rows_with_na <- apply(is.na(data), 1, any)

插入索引<- which(rows_with_na)

新值<- rep(NA,length(insert_indices))

for (j in seq_along(new_values)) { 向量 <- c(vec[1:(insert_indices[j]-1)], new_values[j], vec[insert_indices[j]:length(vec)]) }