插補時使用隨機森林（MICE包）的錯誤

Question

我想使用隨機森林方法來推測缺失值。我讀過一些論文，聲稱MICE隨機森林比參數化小鼠表現更好。

在我的情況下，我已經運行了默認鼠標的模型，並獲得了結果並與它們一起玩。但是，當我有一個方法隨機森林的選項，我得到一個錯誤，我不知道爲什麼。我看到了一些與隨機森林和老鼠的錯誤有關的問題，但那些不是我的例子。我的變量有不止一個NA。

imp <- mice(data1, m=70, pred=quickpred(data1), method="pmm", seed=71152, printFlag=TRUE) 
impRF <- mice(data1, m=70, pred=quickpred(data1), method="rf", seed=71152, printFlag=TRUE) 

iter imp variable 
1 1 Vac 
Error in if (n == 0) stop("data (x) has 0 rows") : argument is of length zero 

任何人有任何想法，爲什麼我得到這個錯誤？

編輯

我試圖改變的而不是虛擬變量所有變量的數值，並返回相同的錯誤和一些警告（）

impRF <- mice(data, m=70, pred=quickpred(data), method="rf", seed=71152, printFlag=TRUE) 

iter imp variable 
    1 1 Vac CliForm 
Error in if (n == 0) stop("data (x) has 0 rows") : argument is of length zero 
In addition: There were 50 or more warnings (use warnings() to see the first 50) 

50: In randomForest.default(x = xobs, y = yobs, ntree = 1, ... : 
    The response has five or fewer unique values. Are you sure you want to do regression? 

EDIT1

我我們只嘗試了5次插值和一小部分數據，只有2000行，並且出現了一些不同的錯誤：

> imp <- mice(data2, m=5, pred=quickpred(data2), method="rf", seed=71152, printFlag=TRUE) 

iter imp variable 
1 1 Vac Radio Origin Job Alc Smk Drugs Prison Commu Hmless Symp 
Error in randomForest.default(x = xobs, y = yobs, ntree = 1, ...) : NAs in foreign 
function call (arg 11) 
In addition: Warning messages: 
1: In randomForest.default(x = xobs, y = yobs, ntree = 1, ...) : invalid mtry: reset to within valid range 
2: In max(ncat) : no non-missing arguments to max; returning -Inf 
3: In randomForest.default(x = xobs, y = yobs, ntree = 1, ...) : NAs introduced by coercion 

Answer 1

我也遇到了這個錯誤，當我只有一個完全觀察到的變量，我猜也是你的情況的原因。我的同事Anoop Shah爲我提供了一個解決方案（下文），van Buuren教授（老鼠的作者）說他會在下一次更新包中加入它。

在R鍵入以下內容可以重新定義射頻功能。 fixInNamespace（ 「mice.impute.rf」， 「老鼠」）

校正功能粘貼然後：

mice.impute.rf <- function (y, ry, x, ntree = 100, ...){ 
ntree <- max(1, ntree) 
xobs <- as.matrix(x[ry, ]) 
xmis <- as.matrix(x[!ry, ]) 
yobs <- y[ry] 
onetree <- function(xobs, xmis, yobs, ...) { 
    fit <- randomForest(x = xobs, y = yobs, ntree = 1, ...) 
    leafnr <- predict(object = fit, newdata = xobs, nodes = TRUE) 
    nodes <- predict(object = fit, newdata = xmis, nodes = TRUE) 
    donor <- lapply(nodes, function(s) yobs[leafnr == s]) 
    return(donor) 
} 
forest <- sapply(1:ntree, FUN = function(s) onetree(xobs, 
    xmis, yobs, ...)) 
impute <- apply(forest, MARGIN = 1, FUN = function(s) sample(unlist(s), 
    1)) 
return(impute) 
}