predict.randomForest

제5회 작업형 2유형 가지고 풀어봤습니다. 선생님 덕분에 깔끔하게 쓸 수 있게 됐네요. 작년에는 개념을 아예 모르고 냅다 암기만 해서 얼마나 당황했는지..;;

str(df)

df$model <- as.factor(df$model)

df$year <- as.factor(df$year)

df$transmission <- as.factor(df$transmission)

df$fuelType <- as.factor(df$fuelType)

str(df)

inx <- createDataPartition(df$price, p = 0.7, list = F)

train <- df[inx,]

test <- df[-inx,]

model1 <- randomForest(price~.,data=train)

p1 <- predict(model1, test)

rmse(p1, test$price)

tst$model <- as.factor(tst$model)

tst$transmission <- as.factor(tst$transmission)

tst$fuelType <- as.factor(tst$fuelType)

tst$year <- as.factor(tst$year)

df <- df[,-2]

tst <- tst[,-2]

model2 <- randomForest(price~.,data=df)

p2 <- predict(model2, tst)

result <- data.frame(pred = p2)

write.csv(result, 'C://r/result.csv', row.names=FALSE)

result_check <- read.csv('result.csv')

result_check

이런 식으로 선생님께서 알려주신 방법대로 했었는데, randomForest 모델 만들고 tst 데이터에다가 predict 적용할 때 에러가 났었습니다.

Type of predictors in new data do not match that of the training data.

?predict, ?predict.randomForest 둘 다 해봐도 도통 원인을 모르겠어서 결국 인터넷 검색을 해봤더니 factor가 너무 종류가 많아서 일어나는 문제라고 하더군요;;

그래서 앞으로 돌아와서

df <- df[,-2]

tst <- tst[,-2]

두 행 추가해서 20개의 factor를 가진 year 칼럼을 삭제하고 다시 돌렸더니 그땐 됐습니다. train, test가지고 나눠서 해봤을 때 rmse가 1521이라고 나왔습니다만 회귀 문제라 좋은 건지 어떤지 모르겠더라구요. rpart보다 randomForest에서 rmse가 더 낮았으니까 성능이 더 좋다 이런 상대적인 판단만 가능했습니다.

비슷하게 19개의 factor를 가진 model 칼럼을 날려버릴지 year 칼럼을 날려버릴지 고민됐는데 어느 쪽이 더 성능이 좋을지는 시험에 나온 데이터셋 가지고 해봐야겠네요. 범주형 데이터 다 넣어보고 빼보고 rmse 해서 비교해보겠습니다.

결론은.. 회귀 문제가 나왔고 randomForest 모델 썼는데 predict에서 Type of predictors in new data do not match that of the training data.이런 에러가 나오면 factor가 너무 많은 칼럼을 과감하게 날려버리자! 였습니다. 제대로 판단한 건지 모르겠습니다만 혹시 벼락치기로 기출 풀어보시는 분들 있다면 공유차 글 작성합니다.