我的数据看起来像这样：
IntensityRisk Depth Mag smaj smin <fctr> <int> <int> <int> <int> 1 2 2 3 2 2 2 3 1 3 2 2 3 3 1 3 2 2 4 3 1 1 2 2 5 3 1 1 2 2 6 2 2 3 2 2 7 3 1 3 2 2 8 3 1 3 2 2 9 3 1 3 2 210 2 2 3 2 2我按照以下步骤操作：
gempaDF <- gempa[order(runif(nrow(gempa))),]str(gempaDF$IntensityRisk)tail(gempaDF,5)gempaTrain <- gempaDF[1:4000,]gempaTest <- gempaDF[4001:4471,]C50_model <- C5.0(gempaTrain[,-1], gempaTrain[,1])然后得到了这样的错误：
Error in C5.0.default(gempaTrain[, -1], gempaTrain[, 1]) : C5.0 models require a factor outcome我将其改成了这样：
C50_model <- C5.0(gempaTrain[,-1], gempaTrain[,as.factor(gempaDF$IntensityRisk)])但仍然得到了错误：
Error: Unsupported index type: factor然后我尝试将其改成这样：
gempaDF <- gempa[order(runif(nrow(gempa))),]gempaDF$IntensityRisk <- as.factor(gempaDF$IntensityRisk)str(gempaDF$IntensityRisk)tail(gempaDF,5)gempaTrain <- gempaDF[1:4000,]gempaTest <- gempaDF[4001:4471,]C50_model <- C5.0(gempaTrain[,-1], gempaTrain[,1])但仍然得到了这样的错误：
Error in C5.0.default(gempaTrain[, -1], gempaTrain[, 1]) : C5.0 models require a factor outcome我还尝试了这个：
C50_model <- C5.0(gempaTrain[,-1], gempaTrain[,gempaDF$IntensityRisk])但仍然得到了错误
Error: Unsupported index type: factor有谁知道我哪里做错了？我非常感激。
回答：
我将使用以下样本数据（因为我没有访问您的数据）
set.seed(1)dat = tibble::as_tibble(list(IntensityRisk = sample(1:5, 30, replace = T), Depth = sample(1:100, 30, replace = T), Mag = sample(1:100, 30, replace = T)))table(dat$IntensityRisk) 1 2 3 4 5 4 11 2 7 6 # 将响应变量转换为因子类型,dat$IntensityRisk = as.factor(dat$IntensityRisk)str(dat)Classes ‘tbl_df’, ‘tbl’ and 'data.frame': 30 obs. of 3 variables: $ IntensityRisk: Factor w/ 5 levels "1","2","3","4",..: 2 2 3 5 2 5 5 4 4 1 ... $ Depth : int 49 60 50 19 83 67 80 11 73 42 ... $ Mag : int 92 30 46 34 66 26 48 77 9 88 ...如果我使用tibble数据框，我会得到类似的错误，
fit = C50::C5.0(dat1[, -1], dat1[, 1])Error in C5.0.default(dat[, -1], dat[, 1]) : C5.0 models require a factor outcome 如果我将其转换为数据框，
dat1 = as.data.frame(dat)str(dat1)'data.frame': 30 obs. of 3 variables: $ IntensityRisk: Factor w/ 5 levels "1","2","3","4",..: 2 2 3 5 2 5 5 4 4 1 ... $ Depth : int 49 60 50 19 83 67 80 11 73 42 ... $ Mag : int 92 30 46 34 66 26 48 77 9 88 ...函数可以无错误运行，
fit = C50::C5.0(dat1[, -1], dat1[, 1])> fitCall:C5.0.default(x = dat1[, -1], y = dat1[, 1])Classification TreeNumber of samples: 30 Number of predictors: 2 Tree size: 8 Non-standard options: attempt to group attributes