问题描述
我使用R的glmnet软件包训练了一种惩罚回归模型，并使用了一个sparse.model.matrix构造的X，其公式为“〜。*（var1）”，以从我的数据中获取每个项以及与var1的交互作用： / p>
X3 <- sparse.model.matrix(object = ~.*(var1),data = X)[,-1]
cv_lasso <- cv.glmnet(x = X3,y = Y3,alpha = 1,nfold = 10,family = "binomial",nlambda = 100,lambda.min.ratio=0.001,type.measure="auc",keep = TRUE,parallel = TRUE)
现在，我正在尝试预测几个数据点，但是当将newX转换为model.matrix以便与predict.glmnet（）一起使用时，如下所示：
X_pred <- sparse.model.matrix(object = ~.*(var1),data = X_holdout)
predict(object = cv_lasso,newx = X_pred,s = "lambda.min")
但是出现以下错误：
contrasts<-（*tmp*中的错误，值= contr.funs [1 + isOF [nn]]）： 对比只能应用于2个或更多级别的因素
我认为这可能是由于X_holdout中的几列基本上是恒定的（这是正确的，因为我现在尝试进行预测，我已经成功地训练了）。
如何避免此问题？我的理解是，由于我使用交互作用训练了模型，因此必须创建一个在预测中具有相同交互作用的模型矩阵。
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）