我可以使用不同數量的預測變量對測試數據進行預測嗎？

Question

我使用glmnet在200個預測變量和100個樣本的訓練集上構建預測模型，用於二項迴歸/分類問題。

我選擇了最好的模型（16個預測變量），它給了我最大的AUC。我有一個獨立的測試集，只有那些變量（16個預測變量），它們從訓練集中變成了最終模型。

有沒有辦法使用基於訓練組新的測試集具有數據，只有那些使它成爲訓練組最終模型變量的最優模型predict.glmnet？

Answer 1

glmnet需要從訓練數據集變量的同一號碼/名稱是在驗證/測試集。例如：

library(caret) 
library(glmnet) 
df <- ... # a dataframe with 200 variables, some of which you want to predict on 
     # & some of which you don't care about. 
     # Variable 13 ('Response.Variable') is the dependent variable. 
     # Variables 1-12 & 14-113 are the predictor variables 
     # All training/testing & validation datasets are derived from this single df. 

# Split dataframe into training & testing sets 
inTrain <- createDataPartition(df$Response.Variable, p = .75, list = FALSE) 
Train <- df[ inTrain, ] # Training dataset for all model development 
Test <- df[ -inTrain, ] # Final sample for model validation 

# Run logistic regression , using only specified predictor variables 
logCV <- cv.glmnet(x = data.matrix(Train[, c(1:12,14:113)]), y = Train[,13], 
family = 'binomial', type.measure = 'auc') 

# Test model over final test set, using specified predictor variables 
# Create field in dataset that contains predicted values 
Test$prob <- predict(logCV,type="response", newx = data.matrix(Test[, 
        c(1:12,14:113) ]), s = 'lambda.min') 

對於一個完全新的一組數據，你可能會限制新的DF使用下面的方法的一些變種必需的變量：

new.df <- ... # new df w/ 1,000 variables, which include all predictor variables used 
       # in developing the model 

# Create object with requisite predictor variable names that we specified in the model 
predictvars <- c('PredictorVar1', 'PredictorVar2', 'PredictorVar3', 
        ... 'PredictorVarK') 
new.df$prob <- predict(logCV,type="response", newx = data.matrix(new.df[names(new.df) 
         %in% predictvars ]), s = 'lambda.min') 
         # the above method limits the new df of 1,000 variables to              
         # whatever the requisite variable names or indices go into the 
         # model. 

此外，glmnet只能用矩陣交易。這可能就是爲什麼你會收到你在問題的評論中發佈的錯誤。有些用戶（包括我自己）發現as.matrix()不能解決問題; data.matrix()似乎工作雖然（因此它爲什麼在上面的代碼）。 SO中的一兩個問題解決了這個問題。

我認爲，在新的數據集中的所有變量也預測需要，因爲他們在使用模型開發數據集進行格式化一樣。我通常從同一個源中提取所有數據，所以在格式不同的情況下，我還沒遇到glmnet。