R SVM 对于缺失数据的预测返回 NA

我尝试使用 e1071 包中经过训练的 SVM 进行预测，但我的数据包含一些缺失值 (NA)。

当该实例有任何缺失值时，我希望返回的预测为 NA。我尝试使用 na.action = na.pass 如下，但它给了我一个错误“名称错误（ret2）

如果我使用 na.omit 那么我可以获得预测而无需丢失数据的实例。 如何获得包括 NA 在内的预测？

library(e1071)
model <- svm(Species ~ ., data = iris)
print(length(predict(model, iris)))
tmp <- iris
tmp[1, "Sepal.Length"] <- NA
print(length(predict(model, tmp, na.action = na.pass)))

如果您熟悉插入符包 http://topepo.github.io/caret/index.html，您可以在其中使用 233 种不同类型的模型进行拟合（包括来自包 e1071 的 SVM），在称为“按标签相似度聚类的模型” http://topepo.github.io/caret/models-clustered-by-tag-similarity.html在那里你可以找到一个 csv 文件，其中包含他们用于对算法进行分组的数据。

那里有一个专栏叫做处理丢失的预测数据，它告诉您哪些算法可以做您想要的事情。不幸的是 SVM 不包括在内，但这些算法是：

• 增强分类树 (ada)
• 袋装 AdaBoost (AdaBag)
• AdaBoost.M1 (AdaBoost.M1)
• C5.0 (C5.0)
• 成本敏感型C5.0 (C5.0Cost)
• 单个 C5.0 规则集 (C5.0Rules)
• 单个 C5.0 树 (C5.0Tree)
• CART（r部分）
• 购物车 (rpart1SE)
• 购物车 (rpart2)
• 成本敏感型 CART (rpartCost)
• CART 或序数响应 (rpartScore)

如果你仍然坚持使用 SVM，你可以使用 knnImpute 选项预处理函数 http://topepo.github.io/caret/pre-processing.html#imputation来自同一个包，这应该允许您预测所有观察结果。