train（）関数に値がありません。ツリーのキャレット

Question

私はRを使用していて、意思決定ツリーを構築しようとしています。私はすでにctreeのパッケージパーティーとrpartのrpartを使っています。 しかし、モデルのクロスバリデーションを行う必要があるので、私は関数train（）と使用したいメソッドを使ってキャレットパッケージを使用することができます。

library(caret) 
cvCtrl <- trainControl(method = "repeatedcv", repeats = 2, 
        classProbs = TRUE) 

ctree.installed<- train(TARGET ~ OPENING_BALANCE+ MONTHS_SINCE_EXPEDITION+ 
        RS_DESC+SAP_STATUS+ ACTIVATION_STATUS+ ROTUL_STATUS+ 
        SIM_STATUS+ RATE_PLAN_SEGMENT_NORM, 
        data=trainSet, 
        method = "ctree", 
        trControl = cvCtrl) 

はしかし、私の変数「OPENING_BALANCE」と「MONTHS_SINCE_EXPEDITIONは、」いくつかの欠損値を持っており、機能はそのために動作しません。私は木を造ろうとしているので、なぜこれが起きるのか分かりません。この問題は、他のパッケージを使用している場合は発生しません。

これはエラーです：私は本当にそれらの観測を破棄したくないので、

Error in na.fail.default(list(TARGET = c(3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, : 
missing values in object 

私が合格= na.actionを使いたくありませんでした。

何か間違っていますか？なぜこうなった？これに関する提案はありますか？

は、私はいくつかの欠損値を持つmlbenchパッケージのデータセットPimaIndiansDiabetes2を考慮し始めるあなたの助け

Answer 1

いただきありがとうございます。 trainで

data(PimaIndiansDiabetes2, package = "mlbench") 
head(PimaIndiansDiabetes2) 

    pregnant glucose pressure triceps insulin mass pedigree age diabetes 
1  6  148  72  35  NA 33.6 0.627 50  pos 
2  1  85  66  29  NA 26.6 0.351 31  neg 
3  8  183  64  NA  NA 23.3 0.672 32  pos 
4  1  89  66  23  94 28.1 0.167 21  neg 
5  0  137  40  35  168 43.1 2.288 33  pos 
6  5  116  74  NA  NA 25.6 0.201 30  neg 

Iは、（不変のデータセットを返すように導く）na.passにna.actionを設定し、ctreeにmaxsurrogateパラメータを設定：

library(caret) 
cvCtrl <- trainControl(method="repeatedcv", repeats = 2, classProbs = TRUE) 
set.seed(1234) 
ctree1 <- train(diabetes ~ ., data=PimaIndiansDiabetes2, 
        method = "ctree", 
        na.action = na.pass, 
        trControl = cvCtrl, 
        controls=ctree_control(maxsurrogate=2)) 

結果である：

print(ctree1) 
Conditional Inference Tree 

392 samples 
    8 predictor 
    2 classes: 'neg', 'pos' 

No pre-processing 
Resampling: Cross-Validated (10 fold, repeated 2 times) 
Summary of sample sizes: 691, 692, 691, 691, 691, 691, ... 
Resampling results across tuning parameters: 

    mincriterion Accuracy Kappa  
    0.01   0.7349111 0.4044195 
    0.50   0.7485731 0.4412557 
    0.99   0.7323906 0.3921662 

Accuracy was used to select the optimal model using the largest value. 
The final value used for the model was mincriterion = 0.5.