我可以使用带插入符号和稀疏矩阵的glmnet吗?

时间:2014-07-21 05:59:20

标签: r machine-learning sparse-matrix r-caret glmnet

使用glmnet给我的一大好处是能够直接使用稀疏矩阵而无需转换它们。这里的帖子似乎表明,插入符号的列车功能只能接收训练集的数据帧,而“caret :: train”表示相同。实际情况如此吗?

2 个答案:

答案 0 :(得分:3)

过去肯定是这样,目前,预测数据将转换为数据框。但是,最近对包的一些更改可能允许维护稀疏矩阵对象。

我添加了this并会对此进行调查。

最高

答案 1 :(得分:1)

@Noobie这适用于glmnet,例如:

library(glmnet)
set.seed(1)
X <- sparseMatrix(i=sample(1:20,20), j=sample(1:20,20), x=sample(1:100,20), 
                                       dims=c(20,20)) # some random sparse training data
X
# [1,] .  .  . 64  .  .  . .  . .  .  .  .  .  .  .  .  .  .  .
# [2,] .  .  .  .  .  .  . .  . .  .  .  .  . 98  .  .  .  .  .
# [3,] .  .  .  .  .  .  . .  . .  .  . 43  .  .  .  .  .  .  .
# [4,] .  .  .  .  .  .  . .  . .  .  .  .  .  .  .  .  .  . 51
# [5,] .  .  .  .  .  .  . .  . 7  .  .  .  .  .  .  .  .  .  .
# [6,] .  .  .  .  .  .  . .  . .  .  .  .  .  .  .  .  . 83  .
# [7,] .  .  .  .  .  .  . 9  . .  .  .  .  .  .  .  .  .  .  .
# [8,] .  .  .  . 65  .  . .  . .  .  .  .  .  .  .  .  .  .  .
# [9,] .  .  .  .  .  .  . .  . .  .  .  .  .  . 45  .  .  .  .
#[10,] . 22  .  .  .  .  . .  . .  .  .  .  .  .  .  .  .  .  .
#[11,] .  .  .  .  .  .  . .  . .  . 77  .  .  .  .  .  .  .  .
#[12,] .  .  .  .  .  .  . . 27 .  .  .  .  .  .  .  .  .  .  .
#[13,] .  .  .  .  .  .  . .  . .  .  .  .  .  .  . 33  .  .  .
#[14,] .  .  .  .  . 75  . .  . .  .  .  .  .  .  .  .  .  .  .
#[15,] 3  .  .  .  .  .  . .  . .  .  .  .  .  .  .  .  .  .  .
#[16,] .  . 54  .  .  .  . .  . .  .  .  .  .  .  .  .  .  .  .
#[17,] .  .  .  .  .  .  . .  . .  .  .  . 44  .  .  .  .  .  .
#[18,] .  .  .  .  .  . 55 .  . .  .  .  .  .  .  .  .  .  .  .
#[19,] .  .  .  .  .  .  . .  . . 68  .  .  .  .  .  .  .  .  .
#[20,] .  .  .  .  .  .  . .  . .  .  .  .  .  .  .  . 39  .  .

y <- as.factor(sample(0:1, 20, replace=TRUE))

enet.fit <- glmnet(X, y, family='binomial')

Xtest <- sparseMatrix(i=sample(1:10,10), j=sample(1:20,10), x=sample(1:100,10), 
                                     dims=c(10,20)) # some random sparse test data

# [1,] .  . . .  . 45  . . .  . .  .  .  .  . . .  . . .
# [2,] .  . . .  .  .  . . .  . .  .  .  .  . . . 21 . .
# [3,] .  . . .  .  .  . . .  . .  .  .  . 97 . .  . . .
# [4,] .  . . .  .  .  . . .  . . 27  .  .  . . .  . . .
# [5,] .  . . . 66  .  . . .  . .  .  .  .  . . .  . . .
# [6,] .  . . .  .  .  . . .  . .  .  . 55  . . .  . . .
# [7,] . 35 . .  .  .  . . .  . .  .  .  .  . . .  . . .
# [8,] .  . . .  .  .  . . . 86 .  .  .  .  . . .  . . .
# [9,] .  . . .  .  . 13 . .  . .  .  .  .  . . .  . . .
# [10,] .  . . .  .  .  . . .  . .  . 61  .  . . .  . . .

predict(enet.fit, newx=Xtest, type='class',s=0.01)
#      1
# [1,] "0"
# [2,] "1"
# [3,] "0"
# [4,] "0"
# [5,] "1"
# [6,] "1"
# [7,] "1"
# [8,] "1"
# [9,] "0"
#[10,] "0"