首页 文章

SVM预测级别与测试和训练数据之间不匹配

提问于
浏览 次
0

我正在尝试预测处理推荐电影的二元分类问题 .

我有一个50行（电影）和6列（5个电影属性和电影共识）的训练数据集 .

然后，我有一个包含20个相同列的电影的测试数据集 .

然后我跑了

pred<-predict(svm_model, test)

并收到

predict.svm中的错误（svm_model，test）：测试数据与模型不匹配！

从类似的帖子来看，似乎错误是因为通过比较 str(test) 和 str(train) 来证明它的水平 . 但是，这两个数据集都来自随机选择的电影，并且对于其分类属性将始终具有不同的级别 . 干

levels(test$Attr1) <- levels(train$Attr1)

更改测试中的实际列数据，从而使预测变量不正确 . 有谁知道如何解决这个问题？

我的训练集的前半部分行在以下链接中 . https://justpaste.it/1ifsx

r svm

1 回答

  • 0

    你可以这样做，假设Attr1是一个角色：

    • 使用来自test和train的attribute1中的唯一值创建一个levels属性 .

    • 在train和test1上创建一个因子，其中包含在第1点中找到的所有级别 .

    levels <- unique(c(train$Attr1, test$Attr1))
test$Attr1  <- factor(test$Attr1, levels=levels)
train$Attr1 <- factor(train$Attr1, levels=levels)

    如果您不想要事实，请将 as.integer 添加到部分代码中，您将获得数字因素 . 在xgboost这样的模型中，这有时更方便，并且可以节省一个热编码 .

    as.integer(factor(test$Attr1, levels=levels))

    回复于

相关问题