我有一个训练数据集，我从中随机抽样来在R中训练模型。

sampleSize <- floor(0.1 * nrow(trainingDataFrame))train_index <- sample(seq_len(nrow(trainingDataFrame)), size = sampleSize)trainDF <- trainingDataFrame[train_index,]fit <- train(dependentVariable ~ ., data=trainDF,             trControl = trainControl(method = "cv",number = 10),method="lm")

然后，我使用该模型在另一个独立的测试数据集上进行predict预测值。然而，由于我在训练集上进行随机抽样，测试数据集中某些行的因子字段偶尔会出现训练集中未遇到过的值。这导致了"factor ... has new levels"错误。

实际上，我在多次迭代中重复这个抽样-训练-预测过程，因此每个测试数据集记录最终很可能会有一些有效的预测。因此，对于我的用例来说，在任何特定迭代中，某些记录无法被predict预测是可以接受的。我希望不必从模型训练中排除该字段。

相反，是否可以指示predict函数对于这些无效行返回na或其他默认值？

回答：

这里有一个可能的解决方案。

关键是定义你自己的predict函数，该函数比较lm对象中factor变量的级别与newdata中的级别。我们只对那些factor级别匹配的观测值进行predict预测，并对所有其他观测值返回NA。

我将使用mtcars数据来演示。

1. 首先，我们创建一个样本数据，包含一个数值响应变量(mpg)和3个分类预测变量(cyl, gear, carb)。

   library(tidyverse)df <- mtcars %>%    select(mpg, cyl, gear, carb) %>%    mutate_at(vars(-mpg), as.factor)

2. 然后，我们在仅包含cyl和gear某些（但不是全部）因子级别的训练数据集上训练模型。

   df.train <- df %>% filter(cyl %in% c(4, 6) & gear %in% c(3, 4))

3. 我们拟合一个简单的线性模型。

   fit <- lm(mpg ~ ., data = df.train)

4. 现在，我们定义一个自定义函数，该函数将newdata分为两部分：(1) 具有匹配factor级别的观测值，我们可以对其进行predict预测响应；(2) 具有“新”级别的观测值，我们返回NA作为响应。

   所有分类变量的factor级别存储在fit$xlevels中，作为一个list。我们使用purrr::imap和purrr::reduce(..., intersect)来确定newdata中具有匹配factor级别的观测值的行索引。

   my.predict <- function(fit, newdata) {    lvls <- fit$xlevels    idx <- reduce(imap(lvls, ~which(newdata[, .y] %in% .x)), intersect)    res <- rep(NA, nrow(newdata))    res[idx] <- predict(fit, newdata = newdata[idx, ])    return(res)}

5. 我们在完整的df数据集上确认结果：

   df$pred <- my.predict(fit, df)df#    mpg cyl gear carb  pred#1  21.0   6    4    4 19.75#2  21.0   6    4    4 19.75#3  22.8   4    4    1 29.10#4  21.4   6    3    1 19.75#5  18.7   8    3    2    NA#6  18.1   6    3    1 19.75#7  14.3   8    3    4    NA#8  24.4   4    4    2 24.75#9  22.8   4    4    2 24.75#10 19.2   6    4    4 19.75#11 17.8   6    4    4 19.75#12 16.4   8    3    3    NA#13 17.3   8    3    3    NA#14 15.2   8    3    3    NA#15 10.4   8    3    4    NA#16 10.4   8    3    4    NA#17 14.7   8    3    4    NA#18 32.4   4    4    1 29.10#19 30.4   4    4    2 24.75#20 33.9   4    4    1 29.10#21 21.5   4    3    1 21.50#22 15.5   8    3    2    NA#23 15.2   8    3    2    NA#24 13.3   8    3    4    NA#25 19.2   8    3    2    NA#26 27.3   4    4    1 29.10#27 26.0   4    5    2    NA#28 30.4   4    5    2    NA#29 15.8   8    5    4    NA#30 19.7   6    5    6    NA#31 15.0   8    5    8    NA#32 21.4   4    4    2 24.75