我有一个使用插入符号包训练的随机森林模型,其中包含数字和分类预测变量。我正在尝试使用这个经过训练的模型对新数据集进行预测,该数据集是一个包含每个预测器一层的 rasterStack。我已使用raster
包中的ratify
函数将分类栅格图层转换为因子,并通过添加栅格属性添加与训练集语法相对应的字符串表(RAT),但是当我预测时,我收到以下错误:
# Error in predict.randomForest(modelFit, newdata) :
# Type of predictors in new data do not match that of the training data.
我认为我可能以某种方式错误地表述了 RAT,或者我误解了 RAT 的功能。下面是一个最小的可重现示例。对出了什么问题有什么想法吗?
require(caret)
require(raster)
set.seed(150)
data("iris")
# Training dataset
iris.x<-iris[,1:4]
iris.x$Cat<-"Low"
iris.x$Cat[1:60]<-"High"
iris.x$Cat<-as.factor(as.character(iris.x$Cat))
iris.y<-iris$Species
# Train RF model in Caret
ctrl<-trainControl("cv", num=5, p = 0.9)
mod<- train(iris.x,iris.y,
method="rf",
trControl=trainControl(method = "cv"))
# Create raster stack prediction dataset
r <- raster(ncol=10, nrow=5)
tt <- sapply(1:4, function(x) setValues(r, round(runif(ncell(r),1,5))))
#Categorical raster layer with RAT
r_cat<-raster(ncol=10, nrow=5)
r_cat[1:25]<-1
r_cat[26:50]<-2
ratr_cat <- ratify(r_cat)
rat <- levels(ratr_cat)[[1]]
rat$PCN <- c(1,2)
rat$PCN_level <- c('Low','High')
levels(ratr_cat) <- rat
#Stack raster layers
t.stack <- stack(c(tt,ratr_cat),RAT = TRUE)
#Make sure names in stack match training dataset
names(t.stack)<-c('Sepal.Length','Sepal.Width', 'Petal.Length', 'Petal.Width','Cat')
#Ensure that categorical layer still has RAT and is a factor
t.stack[['Cat']] #yep
is.factor(t.stack[['Cat']]) #yep
#Predict new data using model
mod_pred <- predict(t.stack, mod)
最佳答案
因子RasterLayer
(属性层)似乎是(或被处理为)一个有序因子。因此,您只需使用有序向量来训练模型即可。您可以通过更改一行来实现这一点:
iris.x$Cat<- ordered(as.character(iris.x$Cat), levels = c("Low", "High"))
关于r - 错误: predictors in new data do not match that of the training data when using raster attribute table (RAT),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/48582370/