我正在尝试用glmnet学习惩罚性逻辑回归方法。我试图预测来自mtcars示例数据的汽车是否会有自动变速器或手动。我认为我的代码非常简单，但我似乎遇到了错误：
第一个块简单地将mtcars分成80％的训练集和20％的测试集
library(glmnet)
attach(mtcars)
smp_size <- floor(0.8 * nrow(mtcars))
set.seed(123)
train_ind <- sample(seq_len(nrow(mtcars)), size=smp_size)
train <- mtcars[train_ind,]
test <- mtcars[-train_ind,]
我知道x数据应该是没有响应的矩阵形式，所以我将两个训练集分成一个非响应矩阵（train_x）和一个响应向量（train_y）
train_x <- train[,!(names(train) %in% c("am"))]
train_y <- train$am
但是在尝试训练模型时，
p1 <- glmnet(train_x, train_y)
我收到错误：
Error in elnet(x, is.sparse, ix, jx, y, weights, offset, type.gaussian,
:(list) object cannot be coerced to type 'double'
我错过了什么吗？
答案 0 :(得分：3)
将第一个参数作为矩阵强制解决了我：
p1 <- glmnet(as.matrix(train_x), train_y)
实际上，表单glmnet?看起来第一个参数应该是矩阵/稀疏矩阵：
x：输入矩阵，维度nobs x nvars;每行是一个观察向量。可以采用稀疏矩阵格式（继承自＆＃34; sparseMatrix＆＃34;如矩阵包;尚未提供给family =＆＃34; cox＆＃34;）