关于r：来自nnet的预测是一个特征而不是一个因素


The predict from a nnet is a character and not a factor

我担心的是，当我训练一个nnet时，该类是类型因子，但是当我进行预测时，会返回一个chr。

我从另一个帖子中引用了此示例。

1
2
3
4
5
6
7
8
9
10
11
12
13
library(nnet)
library(C50)
library(caret)
attach(iris)
set.seed(3456)
trainIndex <- createDataPartition(iris$Species, p = .8,
                          list = FALSE,
                          times = 1)
irisTrain <- iris[ trainIndex,]
irisTest  <- iris[-trainIndex,]

irispred <- nnet(Species ~ ., data=irisTrain, size=10)
predicted <- predict(irispred,irisTest,type="class")

和

1
2
3
4
5
6
7
8
9
10
11
12
13
14
> str(irisTrain)
'data.frame':   120 obs. of  5 variables:
$ Sepal.Length: num  5.1 4.9 4.6 5 5.4 5 4.4 4.9 5.4 4.8 ...
$ Sepal.Width : num  3.5 3 3.1 3.6 3.9 3.4 2.9 3.1 3.7 3 ...
$ Petal.Length: num  1.4 1.4 1.5 1.4 1.7 1.5 1.4 1.5 1.5 1.4 ...
$ Petal.Width : num  0.2 0.2 0.2 0.2 0.4 0.2 0.2 0.1 0.2 0.1 ...
$ Species     : Factor w/ 3 levels"setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...
> str(irisTest)
'data.frame':   30 obs. of  5 variables:
 $ Sepal.Length: num  4.7 4.6 4.8 4.3 5.4 4.6 5 5 4.6 5.3 ...
 $ Sepal.Width : num  3.2 3.4 3.4 3 3.4 3.6 3.5 3.5 3.2 3.7 ...
 $ Petal.Length: num  1.3 1.4 1.6 1.1 1.7 1 1.3 1.6 1.4 1.5 ...
 $ Petal.Width : num  0.2 0.3 0.2 0.1 0.2 0.2 0.3 0.6 0.2 0.2 ...
 $ Species     : Factor w/ 3 levels"setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...

因此在训练和测试数据集中物种是因素，但

1
2
str(predicted)
chr [1:30]"setosa""setosa""setosa""setosa""setosa" ...

预测结果是特征。我正在使用其他数据挖掘程序包，例如C50，它们从预测中返回因子，

1
2
3
4
> irispred <- C5.0(Species ~ ., data=irisTrain)
> predicted <- predict(irispred,irisTest,type="class")
> str(predicted)
Factor w/ 3 levels"setosa","versicolor",..: 1 1 1 1 1 1 1 2 1 1 ...

我希望一致的，基于因子的格式可用于预测的输出。在nnet的情况下，将预测的字符输出转换为因数不起作用，因为我不能保证所有级别都将作为字符变量出现。例如，在我的650个案例中，有一个案例具有唯一级别，有时可能在测试数据集中，有时没有，但是我希望即使预测数据不在测试数据中，它的输出也要知道。铅>

谢谢。

与nnet.formula一起使用，它将类的级别存储在结果的lev成员中。即使训练集中未包含某个级别，也会从输入数据中保留级别的顺序。通过使用factor(predicted_class, levels = model_object$lev)，可以轻松地将预测的类转换为因子。例如：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
iris2 <- iris
iris2$Species <- factor(iris2$Species,
  levels = c("versicolor","banana","setosa","cherry","virginica"))
iris_pred <- nnet(Species ~ ., data = iris2[trainIndex, ], size = 10)

#Warning message:
#In nnet.formula(Species ~ ., data = iris2[trainIndex, ], size = 10) :
#  groups ‘banana’ ‘cherry’ are empty

identical(iris_pred$lev, levels(iris2$Species))
#[1] TRUE

predicted <- predict(iris_pred, iris2[-trainIndex, ], type="class")
predicted_fac <- factor(predicted, levels = iris_pred$lev)
table(iris2[-trainIndex,"Species"], predicted_fac)

#            predicted_fac
#             versicolor banana setosa cherry virginica
#  versicolor         10      0      0      0         0
#  banana              0      0      0      0         0
#  setosa              0      0     10      0         0
#  cherry              0      0      0      0         0
#  virginica           0      0      0      0        10