Ошибка в матрице замешательства: данные и ссылочные факторы должны иметь одинаковое количество уровней

Я подготовил модель линейной регрессии с R-картой. Теперь я пытаюсь создать матрицу путаницы и продолжаю получать следующую ошибку:

Ошибка в confusionMatrix.default(pred, тестирование $Final): данные и ссылочные факторы должны иметь одинаковое количество уровней

EnglishMarks <- read.csv("E:/Subject Wise Data/EnglishMarks.csv", 
header=TRUE)
inTrain<-createDataPartition(y=EnglishMarks$Final,p=0.7,list=FALSE)
training<-EnglishMarks[inTrain,]
testing<-EnglishMarks[-inTrain,]
predictionsTree <- predict(treeFit, testdata)
confusionMatrix(predictionsTree, testdata$catgeory)
modFit<-train(Final~UT1+UT2+HalfYearly+UT3+UT4,method="lm",data=training)
pred<-format(round(predict(modFit,testing)))              
confusionMatrix(pred,testing$Final)

Ошибка при создании матрицы путаницы. Уровни одинаковы для обоих объектов. Я не могу понять, в чем проблема. Их структура и уровни приведены ниже. Они должны быть одинаковыми. Любая помощь будет принята с благодарностью за то, что она меня расколола!

> str(pred)
chr [1:148] "85" "84" "87" "65" "88" "84" "82" "84" "65" "78" "78" "88" "85"  
"86" "77" ...
> str(testing$Final)
int [1:148] 88 85 86 70 85 85 79 85 62 77 ...

> levels(pred)
NULL
> levels(testing$Final)
NULL

Ответы

Ответ 1

Делаем table(pred) и table(testing$Final). Вы увидите, что в тестовом наборе есть хотя бы одно число, которое никогда не прогнозируется (т.е. никогда не присутствует в pred). Вот что подразумевается под "разным количеством уровней". Вот пример пользовательской функции, чтобы обойти эту проблему здесь.

Тем не менее, я обнаружил, что этот трюк работает отлично:

table(factor(pred, levels=min(test):max(test)), 
      factor(test, levels=min(test):max(test)))

Он должен дать вам ту же матрицу путаницы, что и с функцией.

Ответ 2

confusionMatrix(pred,testing$Final)

Всякий раз, когда вы пытаетесь построить матрицу путаницы, убедитесь, что как истинные значения, так и значения прогноза относятся к факторному типу данных.

Здесь и pred, и testing$Final должны иметь тип- factor. Вместо того, чтобы проверять уровни, проверьте тип обеих переменных и преобразуйте их в множители, если это не так.

Здесь testing$final имеет тип int. преобразовать его в множитель и затем построить матрицу путаницы.

Ответ 3

Кажется, что-то вроде следующего работает для меня. Идея похожа на идею @nayriz:

confusionMatrix(
  factor(pred, levels = 1:148),
  factor(testing$Final, levels = 1:148)
)

Ключ должен убедиться, что уровни факторов совпадают.

Ответ 4

Вы используете регрессию и пытаетесь создать матрицу путаницы. Я считаю, что для классификации используется матрица путаницы. Обычно люди используют метрики R ^ 2 и RMSE.

Ответ 5

Я была такая же проблема. Я предполагаю, что это произошло, потому что аргумент данных не был приведен как фактор, как я ожидал. Пытаться:

confusionMatrix(pred,as.factor(testing$Final))

Надеюсь, поможет