Error de "factor tiene nuevos niveles" para la variable que no estoy usando

Question

Considere un conjunto de datos simple, dividido en un conjunto de entrenamiento y pruebas:

dat <- data.frame(x=1:5, y=c("a", "b", "c", "d", "e"), z=c(0, 0, 1, 0, 1))
train <- dat[1:4,]
train
#   x y z
# 1 1 a 0
# 2 2 b 0
# 3 3 c 1
# 4 4 d 0
test <- dat[5,]
test
#   x y z
# 5 5 e 1

Cuando entreno un modelo de regresión logística para predecir z usando x y obtener predicciones de conjuntos de prueba, todo está bien:

mod <- glm(z~x, data=train, family="binomial")
predict(mod, newdata=test, type="response")
#         5 
# 0.5546394 

Sin embargo, esto falla en un modelo de regresión logística de aspecto equivalente con un error "El factor tiene nuevos niveles":

mod2 <- glm(z~.-y, data=train, family="binomial")
predict(mod2, newdata=test, type="response")
# Error in model.frame.default(Terms, newdata, na.action = na.action, xlev = object$xlevels) : 
#   factor y has new level e

Desde que eliminé y de mi ecuación modelo, me sorprende ver este mensaje de error. En mi aplicación, dat es muy amplio, por lo que z~.-y es la especificación de modelo más conveniente. La solución más sencilla que se me ocurre es eliminar la variable y de mi marco de datos y luego entrenar el modelo con el z~. Sintaxis, pero esperaba una manera de usar el conjunto de datos original sin la necesidad de eliminar columnas.

Answer 1

Puede intentar actualizar mod2$xlevels[["y"]] en el objeto modelo

mod2 <- glm(z~.-y, data=train, family="binomial")
mod2$xlevels[["y"]] <- union(mod2$xlevels[["y"]], levels(test$y))

predict(mod2, newdata=test, type="response")
#        5 
#0.5546394 

Otra opción sería excluir (pero no eliminar) "y" de los datos de entrenamiento

mod2 <- glm(z~., data=train[,!colnames(train) %in% c("y")], family="binomial")
predict(mod2, newdata=test, type="response")
#        5 
#0.5546394