UseMethod ("predict"): brak stosowanej metody "predict" zastosowanej do obiektu klasy "train"

Question

Mam model (fit), oparty na informacjach historycznych do zeszłego miesiąca. Teraz chciałbym przewidzieć, używając mojego modelu na bieżący miesiąc. Kiedy próbuję wywołać następujący kod:

predicted <- predict(fit, testData[-$Readmit]) 

pojawia się następujący błąd:

Error in UseMethod("predict") : no applicable method for 'predict' 
    applied to an object of class "train" 

Uwagi:

1. Pasowanie model został stworzony przez: train funkcji z caret pakiet, przy użyciu losowego algorytmu lasu

2. predict jest funkcją ogólną, która wywoła określoną funkcję przewidywania na podstawie pierwszego argumentu wejściowego. W moim przypadku będzie to:

   >fit$modelInfo$label

   [1] "Random Forest"

Dlatego przewidywania metody wywoływane będą: predict.randomForest. Aby uzyskać więcej informacji, patrz [dokumentacja caret] [3].

Oto kod podsumowanie źródło generowania modelu i powołując go:

# Script-1: create a model: 
fit <- train(testData[-$Readmit], testData$Readmit) 
saveRDS(fit, modelFileName) # save the fit object into a file 

# Script-2: predict 
fit <- readRDS(modelFileName) # Load the model (generated previously) 
predicted <- predict(fit, testData[-$Readmit]) 

Uwaga: czas realizacji do generowania modelu wynosi około 3 godzin, czyli dlaczego zapisać obiekt do ponownego użycia po że.

Zestaw danych z modelu szkolenia jako następującą strukturę:

> str(fit$trainingData) 
'data.frame': 29955 obs. of 27 variables: 
$ Acuity    : Factor w/ 3 levels "Elective ","Emergency ",..: 2 2 2 1 1 2 2 2 1 1 ... 
$ AgeGroup    : Factor w/ 10 levels "100-105","65-70",..: 8 6 9 9 5 4 9 2 3 2 ... 
$ IsPriority   : int 0 0 0 0 0 0 0 0 0 0 ... 
$ QNXTReferToId   : int 115 1703712 115 3690 1948 115 109 512 481 1785596 ... 
$ QNXTReferFromId  : int 1740397 1724801 1711465 1704170 1714272 1731911 1535 1712758 1740614 1760252 ... 
$ iscasemanagement  : Factor w/ 2 levels "N","Y": 2 1 1 2 2 1 2 1 2 2 ... 
$ iseligible   : Factor w/ 2 levels "N","Y": 2 2 2 2 2 2 2 2 2 2 ... 
$ referralservicecode : Factor w/ 11 levels "12345","278",..: 1 1 1 9 9 1 1 6 9 9 ... 
$ IsHighlight   : Factor w/ 2 levels "N","Y": 1 1 1 1 1 1 1 1 1 1 ... 
$ admittingdiagnosiscode: num 439 786 785 786 428 ... 
$ dischargediagnosiscode: num 439 0 296 786 428 ... 
$ RealLengthOfStay  : int 3 1 6 1 2 3 3 7 3 2 ... 
$ QNXTPCPId    : int 1740397 1724801 1711465 1704170 1714272 1731911 1535 1712758 1740614 1760252 ... 
$ QNXTProgramId   : Factor w/ 3 levels "QMXHPQ0839  ",..: 1 1 1 1 1 1 1 1 1 1 ... 
$ physicalzipcode  : int 33054 33712 33010 33809 33010 33013 33142 33030 33161 33055 ... 
$ gender    : Factor w/ 2 levels "F","M": 1 1 1 1 2 1 1 2 2 1 ... 
$ ethnicitycode   : Factor w/ 4 levels "ETHN0001  ",..: 4 4 4 4 4 4 4 4 4 4 ... 
$ dx1     : num 439 786 296 786 428 ... 
$ dx2     : num 439 292 785 786 428 ... 
$ dx3     : num 402 0 250 0 0 ... 
$ svc1     : int 0 120 120 762 762 120 120 120 762 762 ... 
$ svc2     : int 120 0 0 0 0 0 0 0 0 0 ... 
$ svc3     : int 0 0 0 0 0 0 0 0 0 0 ... 
$ Disposition   : Factor w/ 28 levels "0","APPEAL & GRIEVANCE REVIEW         ",..: 11 11 16 11 11 11 11 11 11 11 ... 
$ AvgIncome    : Factor w/ 10 levels "-1",">100k","0-25k",..: 3 6 3 8 3 4 3 5 4 4 ... 
$ CaseManagerNameID  : int 124 1 1 19 20 1 16 1 43 20 ... 
$ .outcome    : Factor w/ 2 levels "NO","YES": 1 2 2 1 1 1 2 2 1 1 ... 

teraz testData będzie miała następującą strukturę:

> str(testData[-$Readmit]) 
'data.frame': 610 obs. of 26 variables: 
$ Acuity    : Factor w/ 4 levels "0","Elective ",..: 3 2 4 2 2 2 4 3 3 3 ... 
$ AgeGroup    : Factor w/ 9 levels "100-105","65-70",..: 4 3 5 4 2 9 4 2 4 6 ... 
$ IsPriority   : int 0 0 0 0 0 0 1 1 1 1 ... 
$ QNXTReferToId   : int 2140 482 1703785 1941 114 1714905 1703785 98 109 109 ... 
$ QNXTReferFromId  : int 1791383 1729375 1718532 1746336 1718267 1718267 1718532 98 109 109 ... 
$ iscasemanagement  : Factor w/ 2 levels "N","Y": 2 2 2 2 2 2 1 2 2 1 ... 
$ iseligible   : Factor w/ 2 levels "N","Y": 2 2 2 2 2 2 2 2 2 2 ... 
$ referralservicecode : Factor w/ 7 levels "12345","IPMAT   ",..: 5 1 1 1 1 1 1 5 1 5 ... 
$ IsHighlight   : Factor w/ 2 levels "N","Y": 1 1 1 1 1 1 1 1 1 1 ... 
$ admittingdiagnosiscode: num 11440 11317 11420 11317 1361 ... 
$ dischargediagnosiscode: num 11440 11317 11420 11317 1361 ... 
$ RealLengthOfStay  : int 1 2 4 3 1 1 16 1 1 3 ... 
$ QNXTPCPId    : int 3212 1713678 1738430 1713671 1720569 1791640 1725962 1148 1703290 1705009 ... 
$ QNXTProgramId   : Factor w/ 2 levels "QMXHPQ0839  ",..: 1 1 1 1 1 1 1 1 1 1 ... 
$ physicalzipcode  : int 34744 33175 33844 33178 33010 33010 33897 33126 33127 33125 ... 
$ gender    : Factor w/ 2 levels "F","M": 2 1 2 1 2 2 2 1 1 2 ... 
$ ethnicitycode   : Factor w/ 1 level "No Ethnicity ": 1 1 1 1 1 1 1 1 1 1 ... 
$ dx1     : num 11440 11317 11420 11317 1361 ... 
$ dx2     : num 11440 11317 11420 11317 1361 ... 
$ dx3     : num 0 1465 0 11326 0 ... 
$ svc1     : int 52648 27447 50040 27447 55866 55866 51595 0 99221 300616 ... 
$ svc2     : int 76872 120 50391 120 120 38571 120 762 120 0 ... 
$ svc3     : int 762 0 120 0 0 51999 0 0 0 762 ... 
$ Disposition   : Factor w/ 14 levels "0","DENIED- Not Medically Necessary        ",..: 3 5 3 4 3 3 5 3 3 5 ... 
$ AvgIncome    : Factor w/ 10 levels "-1",">100k","0-25k",..: 6 7 5 9 3 3 6 4 3 4 ... 
$ CaseManagerNameID  : int 1 2 3 4 5 6 7 8 9 7 ... 

Zmienna struktura jest taka sama, tylko że niektóre czynnikiem zmienne mają różne poziomy, ponieważ niektóre zmienne mają nowe wartości. Na przykład: Acuity w modelu ma 3 poziomy, aw danych testowych 4 poziomy.

Nie mam od początku sposobu na poznanie wszystkich możliwych poziomów dla wszystkich zmiennych.

Wszelkie porady, proszę ...

Dzięki z góry,

David

Answer 1

Chyba znalazłem dlaczego tak się stało ... The predict jest rodzajowy funkcja od: stats opakowaniu. Używam przestrzeni nazw :: -notacja do wywoływania funkcji z pakietu caret (to jest zalecenie do tworzenia pakietów użytkownika), a równoważna funkcja predict z pakietu caret to: predict.train, która jest funkcją wewnętrzną, której nie można wywołać aplikacja zewnętrzna.Jedynym sposobem wywołania tej funkcji jest użycie ogólnej funkcji predict z pakietu stats, a następnie na podstawie klasy pierwszego argumentu wejściowego: predicted <- predict(fit, testData[-$Readmit]) określa ona konkretną funkcję predict, która zostanie wywołana.

W tym konkretnym przypadku klasą tej funkcji jest train, więc wywołałoby to faktycznie funkcję: train.predict z pakietu caret. Ta funkcja obsługuje również konkretną funkcję wymaganą do przewidywania na podstawie zastosowanego algorytmu (metody), na przykład: predict.gbm lub predict.glm itd. Szczegółowo wyjaśniono to w sekcji o numerze documentation: "5.7 Wyodrębnianie przewidywań i prawdopodobieństw klasowych".

Dlatego też notatka :: działa dobrze dla innych funkcji w pakiecie, na przykład: caret.train, ale nie dla tej konkretnej: predict. W takich przypadkach konieczne jest jawne załadowanie biblioteki, aby wewnętrznie mogła wywołać funkcję predict.train.

Krótko mówiąc, rozwiązanie jest po prostu dodając następującą linię przed wywołaniem funkcji predict:

library(caret) 

Potem znika błąd.