Я пытаюсь воссоздать модель случайного леса из статьи, и код, похоже, не работает, я только изучаю R, и это очень много для меня, но я постараюсь объяснить как можно лучше.
Исходный код из статьи можно найти здесь: [(https://journals.plos.org/plosone/article/file?id=10.1371 / journal.pone.0181347.s002 & type = Additional)]
На бумаге предоставляется два наборы данных: обучение и тестирование, а затем создает два подмножества для каждого набора данных (см. нижнюю часть текста для head () данных. Данные можно найти в дополнительной статье здесь
(должно быть возможность прямого копирования в .csv) код ниже:
sink("test.txt", split=TRUE)
print("#data process")
data_bin_train<-read.csv("training.csv", head=TRUE)
names(data_bin_train)
data_bin_test<-read.csv("test.csv", head=TRUE)
names(data_bin_test)
dspt_bin_train<-subset(data_bin_train,select=c(-Deamidation))
dspt_bin_test<-subset(data_bin_test,select=c(-Deamidation))
class_bin_train<-subset(data_bin_train, select=c(Deamidation))
class_bin_test<-subset(data_bin_test, select=c(Deamidation))
library("caret")
library("ROCR")
library("pROC")
fitControl <- trainControl(method = "CV",number = 10,returnResamp = "all", verboseIter = FALSE, classProbs = TRUE)
set.seed(2)
этот бит работает нормально. Затем следующий бит кода, где я получаю ошибку:
library("randomForest")
print("#Random Forest binary class via caret (randomForest)")
caret_rf_bin_randomf_cv10 <- train(Deamidation~., data=data_bin_train, method = "rf", preProcess = c("center", "scale"), tuneLength = 10, trControl = fitControl)
caret_rf_bin_randomf_cv10
varImp(caret_rf_bin_randomf_cv10)
rf_bin_Preds <- extractPrediction(list(caret_rf_bin_randomf_cv10),testX=dspt_bin_test[,1:13], testY=class_bin_test[,1])
Ошибка в [.data.frame
(newdata,, объект $ method $ center, drop = FALSE): выбраны неопределенные столбцы` Любая помощь была бы удивительной! В работе использовался R v 3.1.1 caret_6.0-35, тогда как я запускаю обновленные версии и то, и другое - вот откуда я считаю, что ошибка исходит, но я не уверен как это исправить, или, если честно, в чем даже заключается ошибка.
Спасибо
TinoMass
Ниже приведены `sessionInfo () и Head () для двух наборы данных
R version 3.5.3 (2019-03-11)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 10 x64 (build 18362)
Matrix products: default
attached base packages:
[1] stats graphics grDevices utils datasets methods base
other attached packages:
[1] randomForest_4.6-14 pROC_1.15.3 ROCR_1.0-7 gplots_3.0.1.1 caret_6.0-84
[6] ggplot2_3.2.1 lattice_0.20-38
loaded via a namespace (and not attached):
[1] Rcpp_1.0.3 pillar_1.4.3 compiler_3.5.3 gower_0.2.1 plyr_1.8.5 bitops_1.0-6
[7] iterators_1.0.12 class_7.3-15 tools_3.5.3 rpart_4.1-13 ipred_0.9-9 lubridate_1.7.4
[13] lifecycle_0.1.0 tibble_2.1.3 nlme_3.1-137 gtable_0.3.0 pkgconfig_2.0.3 rlang_0.4.2
[19] Matrix_1.2-15 foreach_1.4.7 rstudioapi_0.10 prodlim_2019.11.13 e1071_1.7-3 withr_2.1.2
[25] stringr_1.4.0 dplyr_0.8.3 caTools_1.17.1.3 gtools_3.8.1 generics_0.0.2 recipes_0.1.8
[31] stats4_3.5.3 grid_3.5.3 nnet_7.3-12 tidyselect_0.2.5 data.table_1.12.8 glue_1.3.1
[37] R6_2.4.1 survival_2.43-3 gdata_2.18.0 lava_1.6.6 reshape2_1.4.3 purrr_0.3.3
[43] magrittr_1.5 ModelMetrics_1.2.2 scales_1.1.0 codetools_0.2-16 MASS_7.3-51.1 splines_3.5.3
[49] assertthat_0.2.1 timeDate_3043.102 colorspace_1.4-1 KernSmooth_2.23-15 stringi_1.4.3 lazyeval_0.2.2
[55] munsell_0.5.0 crayon_1.3.4
training.txt
PDB `Residue #` `AA following A… attack_distance Half_life norm_B_factor_C norm_B_factor_CA norm_B_factor_CB norm_B_factor_CG
<chr> <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 11BG 67 GLY 3.84 1.02 1.46 1.46 1.36 1.38
2 11BG 17 SER 4.81 11.8 0.692 0.706 1.18 1.62
3 11BG 71 CYS 4.11 55.5 0.174 0.481 0.574 0.782
4 11BG 44 THR 3.33 49.9 -1.24 -1.30 -1.35 -1.52
5 11BG 94 CYS 4.97 60 1.41 1.64 1.92 2.15
6 11BG 27 LEU 4.52 119 -0.898 -0.905 -0.820 -0.604
test.txt
PDB `Residue #` `AA following A… attack_distance Half_life norm_B_factor_C norm_B_factor_CA norm_B_factor_CB norm_B_factor_CG
<chr> <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 1ACC 713 GLY 3.69 1.45 3.17 3.35 3.63 4.06
2 1ACC 719 GLY 4.64 1.04 0.688 0.865 1.42 1.83
3 1ACC 28 PHE 4.81 72.4 1.03 1.06 1.58 1.95
4 1ACC 52 ILE 4.73 279 0.944 1.13 1.29 1.46
5 1ACC 85 HIS 3.60 9.7 0.780 0.800 1.16 1.57
6 1ACC 104 LYS 4.51 55.5 2.22 2.47 2.69 2.91