RF 通过 one-hot 编码处理因子。它为因子变量的每个级别创建一个新的虚拟列。当评分数据框中有新的或不同的因子水平时，就会发生不好的事情。

如果在定义因子时训练和测试一起存在于相同的数据结构中，则没有问题。当测试单独定义其因素时，您会遇到问题。

library("randomForest")

# Fit an RF on a few numerics and a factor. Give test set a new level.
N <- 100
df <- data.frame(num1 = rnorm(N), 
                 num2 = rnorm(N), 
                 fac = sample(letters[1:4], N, TRUE),
                 y = rnorm(N),
                 stringsAsFactors = FALSE)
df[100, "fac"] <- "a suffusion of yellow"
df$fac <- as.factor(df$fac)

train <- df[1:50, ]
test <- df[51:100, ]

rf <- randomForest(y ~ ., data=train)

# This is fine, even though the "yellow" level doesn't exist in train, RF
# is aware that it is a valid factor level
predict(rf, test)

# This is not fine. The factor level is introduced and RF can't know of it
test$fac <- as.character(test$fac)
test[50, "fac"] <- "toyota corolla"
test$fac <- as.factor(test$fac)
predict(rf, test)

您可以通过重新调整评分因素以匹配训练数据来解决此问题。

# Can get around by relevelling the new factor. "toyota corolla" becomes NA
test$fac <- factor(test$fac, levels = levels(train$fac))
predict(rf, test)

expand.grid()在用于检查randomForest()各种因素水平的预测时，我也遇到了这个问题。

该问题是通过默认expand.grid()设置创建的stringsAsFactors = T，该设置使用可用的数据级别将字符串强制转换为因子。当仅使用因子水平的子集进行预测时，这会产生问题。

我通过设置解决了这个问题stringsAsFactors = F，然后允许randomForest()按照上一个答案的建议进行一个热编码。