简短回答：在newdata参数中指定训练数据。
如何从使用caret的predict函数训练的模型中一致地提取类别概率？当前，当predict函数的参数使用公式表示法进行训练，并且通过-variable指示忽略某个变量时，我会得到一个错误。
可以用以下代码重现这个问题：
fit.lda <- train(Species ~ . -Petal.Length, data = iris, preProcess = c("center", "scale"), trControl = trainControl(method = "repeatedcv", number = 10, repeats = 3, classProbs = TRUE, savePredictions = "final", selectionFunction = "best", summaryFunction = multiClassSummary), method = "lda", metric = "Mean_F1")然后以下这行代码会失败：
predict(fit.lda, type = "prob")错误信息：在predict.lda(modelFit, newdata)中：变量数量错误
如果在train公式中省略-Petal.Length，就不会出现错误。我在公式语句中做错了什么吗？
我想我可以深入模型的pred槽并抓取对应类别类型的列（见EDIT2），但这看起来有点投机取巧。有没有办法让predict按预期工作？
=====编辑=====
我使用caretEnsemble包中的caretList训练了多个不同的模型（使用公式表示法），在尝试使用predict时遇到了各种错误：
knn
错误信息：在knn3Train(train = c(….)中：’test’和’train’的维度不同
svmRadial：
警告信息：在method$prob(modelFit = modelFit, newdata = newdata, submodels = param)中：kernlab类别概率计算失败；返回NA
mlpML：
错误信息：在myFunc[[1]](x, …)中：输入数据列数28与输入神经元数20不匹配
没有错误的方法包括nnet和基于树的方法（rf，xgbTree）
=====编辑2=====
以下方法没有考虑重复抽样。选定的答案要简单得多。
这是我自己设计的从训练模型中提取概率的解决方案，但为了标准化，我更希望能够让predict按预期工作。
grabProbs <- function(model) model$pred[, colnames(model$pred) %in% model$levels]grabProbs(fit.lda)
回答：
只需使用newdata参数即可正常工作
predict(fit.lda, newdata = iris, type = "prob")[已编辑]
正如我们所见，对于lda，预测结果是相同的：
library(MASS)fit.lda <- lda(Species ~ . -Petal.Length, data = iris)identical(predict(fit.lda), predict(fit.lda, newdata=iris))# [1] TRUElibrary(randomForest)fit.rf <- randomForest(Species ~ . -Petal.Length, data = iris)identical(predict(fit.rf), predict(fit.rf, newdata=iris))# [1] FALSE