UseMethod（ "predict"）： "train"クラスのオブジェクトに適用される 'predict'の適用可能なメソッドがありません

Question

私は先月までの履歴情報に基づいてモデル（fit）を持っています。今は今月のモデルを使用して予測したいと思います。

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

注：caretからtrain機能：フィットモデルを経て作成された

1. 私は次のエラーを取得する

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

   ：私は、次のコードを呼び出すようにしようとするとパッケージ、ランダムフォレストアルゴリズムを使用して

2. predictは、最初の入力引数に基づいて特定の予測関数を呼び出す汎用関数です。私の場合、それは次のようになります。predict.randomForest：

[1] "Random Forest"

>fit$modelInfo$label

はそのためインクルードがされる呼び出されたメソッドを予測します。詳細については、[キャレットドキュメント] [3]を参照してください。

ここでモデルを生成し、それを呼び出すための要約ソースコード：

# 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]) 

注：モデルを生成するための実行時間は約3時間で、私は後に再利用するためのオブジェクトを保存する理由、それはありますそれ。以下の構造体としてのトレーニングモデルから設定

データ：変数の構造はいくつかの要因ということ、同じである

> 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 ... 

：

> 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 ... 

今testDataは、以下の構造を有します。いくつかの変数に新しい値があるため、変数のレベルは異なります。たとえば、モデルのAcuityは3レベル、テストデータは4レベルです。

私はすべての変数のすべての可能なレベルを知る方法を前もって持っていません。事前に

何かアドバイスをお願いし...

おかげで、

デビッド

Answer 1

私はこれがなぜ起こったか、私が見つけたと思う... predictがより汎用的な機能である：statsパッケージ。私は、ユーザパッケージを作成するための勧告であるcaretパッケージから関数を呼び出すために名前空間::を使用しています。関数のcaretパッケージはpredict.trainです。これは内部関数であり、内部関数です。外部アプリケーション。この関数を呼び出す唯一の方法は、statsパッケージの汎用predict関数を使用し、次に最初の入力引数のクラスに基づいています。 predict関数が呼び出されることを識別します。

この場合、この関数のクラスはtrainなので、実際には関数train.predictをcaretパッケージから呼び出すことになります。この関数は、使用されたアルゴリズム（メソッド）に基づいて、予測のために要求された特定の関数も扱います。たとえば、またはpredict.glmなどです。詳しくは、キャレットdocumentationのセクション「5.7予測とクラスの確率の抽出」で説明します。

したがって、:: -notationは、caret.trainなどのパッケージ内の他の機能ではうまく機能しますが、この特定のものではありません。predict。このような場合、ライブラリを明示的にロードする必要があります。そのため、内部でpredict.train関数を呼び出すことができます。要するに

、解決策はただpredict機能を呼び出す前に、次の行を追加します

library(caret) 

その後、エラーが消えます。