gpt4 book ai didi

R:训练集和测试集对分类解释变量采用不同的值:逻辑回归

转载 作者:行者123 更新时间:2023-11-30 09:45:29 28 4
gpt4 key购买 nike

我正在尝试预测遗传变异所属的类别。我的数据框在我的代码中称为“遗传”。我将数据帧分成训练和测试数据集,如下所示:

set.seed(1)
train=sample(54248,27124)
test=-train
Genetictrain=Genetic[train,]
Genetictest=Genetic[test,]

问题是我的解释变量之一(分类变量,数据帧的列之一)在训练集 (Genetictrain) 和测试集 (Genetictest) 中采用不同的值。解释变量称为 Genetic$Consequence。遗传$后果的级别是:

 [1] "3_prime_UTR_variant"                                           
[2] "5_prime_UTR_variant"
[3] "downstream_gene_variant"
[4] "frameshift_variant"
[5] "frameshift_variant&splice_region_variant"
[6] "frameshift_variant&start_lost"
[7] "frameshift_variant&start_lost&start_retained_variant"
[8] "frameshift_variant&stop_lost"
[9] "frameshift_variant&stop_retained_variant"
[10] "inframe_deletion"
[11] "inframe_deletion&splice_region_variant"
[12] "inframe_insertion"
[13] "inframe_insertion&splice_region_variant"
[14] "intergenic_variant"
[15] "intron_variant"
[16] "intron_variant&non_coding_transcript_variant"
[17] "missense_variant"
[18] "missense_variant&splice_region_variant"
[19] "protein_altering_variant"
[20] "splice_acceptor_variant"
[21] "splice_acceptor_variant&coding_sequence_variant"
[22]
"splice_acceptor_variant&coding_sequence_variant&intron_variant"
[23] "splice_acceptor_variant&intron_variant"
[24] "splice_donor_variant"
[25] "splice_donor_variant&coding_sequence_variant"
[26] "splice_donor_variant&coding_sequence_variant&intron_variant"
[27] "splice_donor_variant&intron_variant"
[28] "splice_region_variant&3_prime_UTR_variant"
[29] "splice_region_variant&5_prime_UTR_variant"
[30] "splice_region_variant&coding_sequence_variant&intron_variant"
[31] "splice_region_variant&intron_variant"
[32] "splice_region_variant&synonymous_variant"
[33] "start_lost"
[34] "start_lost&5_prime_UTR_variant"
[35] "start_lost&splice_region_variant"
[36] "stop_gained"
[37] "stop_gained&frameshift_variant"
[38] "stop_gained&inframe_deletion"
[39] "stop_gained&inframe_insertion"
[40] "stop_gained&protein_altering_variant"
[41] "stop_gained&splice_region_variant"
[42] "stop_lost"
[43] "stop_lost&3_prime_UTR_variant"
[44] "stop_retained_variant"
[45] "stop_retained_variant&3_prime_UTR_variant"
[46] "synonymous_variant"
[47] "TF_binding_site_variant"
[48] "upstream_gene_variant"

但是:当我对训练数据(Genetictrain)运行逻辑回归时,出现错误:

Error in model.frame.default(Terms, newdata, na.action = na.action, xlev = object$xlevels) : 
factor Consequence has new levels frameshift_variant&stop_retained_variant, protein_altering_variant, splice_acceptor_variant&coding_sequence_variant, start_lost&splice_region_variant, stop_retained_variant&3_prime_UTR_variant

我的逻辑回归代码是:

Logisticfit=glm(CLASS~AF_TGP + Consequence + CHROM + AF_ESP+STRAND + AF_EXAC + CADD_RAW + LoFtool + CADD_PHRED,data=Genetictrain,family="binomial")
LogisticProb=predict(Logisticfit,Genetictest,type="response")

错误结果(使用上面的预测函数运行代码)是因为训练集 Genetictrain 没有出现任何 Consequence 的蛋白质改变变体,但 Genetictest 确实出现了 Consequence 的蛋白质改变变体:

which(Genetictrain$Consequence=="protein_altering_variant")
integer(0)
which(Genetictest$Consequence=="protein_altering_variant")
[1] 10720

与错误带来的其他值相同。

有什么办法可以避免这个问题,这样我就可以运行预测函数而不会收到错误(注意我的解释变量都是分类变量和连续变量,并且我正在尝试预测二进制 0 或 1 的 CLASS)?后果对我来说是一个重要的解释变量,所以我不想删除它。
谢谢!

最佳答案

刚刚检查了您的数据框。数据集出现问题不匹配

训练数据集和测试数据集在 Genetic$consequence 中没有相同的信息。

检查以下代码:

data.frame(table(Genetic$Consequence))%>%setNames(.,c("Consequnce","Freq"))%>%arrange(Freq)

输出:

                                                       Consequnce  Freq
1 frameshift_variant&start_lost&start_retained_variant 1
2 frameshift_variant&stop_retained_variant 1
3 inframe_insertion&splice_region_variant 1
4 intron_variant&non_coding_transcript_variant 1
5 splice_region_variant&coding_sequence_variant&intron_variant 1
6 start_lost&5_prime_UTR_variant 1
7 stop_gained&inframe_deletion 1
8 stop_gained&inframe_insertion 1
9 stop_gained&protein_altering_variant 1

频率结果有 9 种类型,其中 1 表示如果您分割将进入训练或测试数据集的数据帧。

示例举例来说,“frameshift_variant&start_lost&start_retained_variant”在 Genericdata$consequence 中仅包含一行,因此当您划分数据帧时,它将进入训练或测试数据集。如果训练数据集中的该行则测试数据集中没有行。仅此而已返回错误。

解决方案:尝试获取更多频率为 1 的变量(意味着只有一行存在,因此至少需要 2 个用于一列火车,一个用于测试数据集) 或者您可以将数据集(如频率)子集化为低数字,以便您可以轻松地在训练和测试数据集中获取信息。

关于R:训练集和测试集对分类解释变量采用不同的值:逻辑回归,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/53148258/

28 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com