因子/字符问题的递归分区

如何解决因子/字符问题的递归分区

目前我正在使用数据集预测。在此数据中，我已将明确的字符类型变量转换为因子，因为我认为因子比 glmtree() 代码的字符更有效（如果我错了，请告诉我）：

> str(predictions)
'data.frame':   43804 obs. of  14 variables:
$ month        : Factor w/ 7 levels "01","02","03",..: 6 6 6 6 1 1 2 2 3 3 ...
$ pred         : num  0.21 0.269 0.806 0.945 0.954 ...
$ treatment    : Factor w/ 2 levels "0","1": 1 1 2 2 2 2 2 2 2 2 ...
$ type         : Factor w/ 4 levels "S","MS","ML",..: 1 1 4 4 4 4 4 4 4 4 ...
$ i_mode     : Factor w/ 143 levels "AAA","ABC","CBB",..: 28 28 104 104 104 104 104 104 104 104 ...
$ r_mode  : Factor w/ 29 levels "0","5","8","11",..: 4 4 2 2 2 2 2 2 2 2 ...
$ in_mode: Factor w/ 22 levels "XY",..: 11 11 6 6 6 6 6 6 6 6 ...
$ v_mode     : Factor w/ 5 levels "1","3","4","7",..: 1 1 1 1 1 1 1 1 1 1 ...
$ di        : num  1157 1157 1945 1945 1945 ...
$ cont    : Factor w/ 5 levels "AN","BE",..: 2 2 2 2 2 2 2 2 2 2 ...
$ hk          : num  0.512 0.512 0.977 0.977 0.941 ...
$ np           : num  2 2 2 2 2 2 2 2 2 2 ...
$ hd          : num  1 1 0.408 0.408 0.504 ...
$ nd           : num  1 1 9 9 9 9 7 7 9 9 ...

我想估计这种递归分区模型：

library("partykit")
glmtr <- glmtree(formula = pred ~ treatment + 1 | (month+type+i_mode+r_mode+in_mode+v_mode+di+cont+np+nd+hd+hk),data = predictions,maxdepth=6,family = quasibinomial)

我的数据没有任何 NA。但是，出现以下错误（即使在按因素更改字符后）：

Error in matrix(0,nrow = mi,ncol = nl) : 
  invalid 'nrow' value (too large or NA)
In addition: Warning message:
  In matrix(0,ncol = nl) :
  NAs introduced by coercion to integer range

有什么线索吗？

谢谢

解决方法

您是对的，glmtree() 和基础 mob() 函数希望拆分变量是名义信息的因素。但是，从计算上讲，这仅适用于具有有限数量级别的因素，因为该算法将尝试将级别数量的所有可能划分为两组。因此，对于您的 i_mode 因素，这需要通过 nl 级和 mi 分为两组：

nl <- 143
mi <- 2^(nl - 1L) - 1L
mi
## [1] 5.575186e+42

在内部，mob() 尝试创建一个矩阵来存储与相应分区模型关联的所有对数似然。这是不可能的，因为这样的矩阵无法表示。（即使可以，也不会完成所有相关模型的拟合。）不可否认，错误消息不是很有用，应该改进。我们将在包的下一个版本中研究这一点。

为了解决这个问题，我建议将变量 i_mode、r_mode 和 in_mode 转换为更适合穷举搜索的二进制拆分的变量。也许，有些变量实际上是有序的？如果是这样，我建议将它们转换为序数因子，或者在 i_mode 的情况下甚至转换为数值变量，因为级别数足够大。或者，您可以针对不同级别创建多个具有不同属性的因子，然后将其用于分区。