Question

我正在使用R软件包glmnet在R中研究大学的一个学科。我开始使用R，并且在某些问题上需要帮助：

我需要做一些练习，其中我训练和测试了500次，有些模型（OLS，Ridge和LASSO）。之后，我需要为500个迭代中的每个迭代存储MSE。在训练步骤中，我必须使用5倍交叉验证。

所以我对此有疑问，因为我不知道如何编写正确的代码。

我需要知道如何以5倍cv的方式配置cv.glmnet，以及如何编写循环以进行500次迭代并存储每个循环的MSE。

非常感谢，对不起我的英语！

#Generación de muestra de entrenamiento
ne <- 100
pe <- 100
listx<-list()
for(listx in 1:500) {
  xtrain <- matrix (rnorm(ne*pe), ne, pe)
ytrain <- apply(xtrain[,1:pe], 1, sum) + rnorm(ne)

olsreg <- lm(ytrain~xtrain)

ridgereg <-cv.glmnet(xtrain, ytrain, type.measure = "mse", alpha=0, family="gaussian")

ridgeregpr <- predict(ridgereg, s=ridgereg$lambda.min, newx=xtest)

mseridge <-mean((ytest-ridgeregpr)^2)

lassoreg <-cv.glmnet(xtrain, ytrain, type.measure = "mse", alpha=1, family="gaussian")

lassoregpr <- predict(lassoreg, s=lassoreg$lambda.min, newx=xtest)

mselasso <-mean((ytest-lassoregpr)^2)
}

results <- data.frame()

Answer 1

我试图运行您的代码，并找到了解决方案。

第一

您的代码中没有xtest和ytest。

所以我随机做

第二

listx必须是存储您的结果的结果，而不是迭代！！

我将listx语句中的for更改为iter

第三

我将结果分配到listx列表中。迭代之后，我使用rbindlist使其成为data.frame类。在我的代码中，为了方便起见，我10次而不是500次迭代！

library(glmnet)
library(data.table)
#Generación de muestra de entrenamiento
ne <- 100
pe <- 100
listx<-list()

for(iter in 1:10) {
  xtrain <- matrix (rnorm(ne*pe), ne, pe)
  ytrain <- apply(xtrain[,1:pe], 1, sum) + rnorm(ne)

  xtest <- matrix (rnorm((ne-50)*(pe)), ne-50)
  ytest <- apply(xtest[,1:(pe-50)], 1, sum) + rnorm(ne-50)


  olsreg <- lm(ytrain~xtrain)

  ridgereg <-cv.glmnet(xtrain, ytrain, type.measure = "mse", alpha=0, family="gaussian")

  ridgeregpr <- predict(ridgereg, s=ridgereg$lambda.min, newx=xtest)

  mseridge <-mean((ytest-ridgeregpr)^2)

  lassoreg <-cv.glmnet(xtrain, ytrain, type.measure = "mse", alpha=1, family="gaussian")

  lassoregpr <- predict(lassoreg, s=lassoreg$lambda.min, newx=xtest)

  mselasso <-mean((ytest-lassoregpr)^2)

  listx[[iter]] = data.frame(mseridge = mseridge,
                           mselasso = mselasso)

}
results <- rbindlist(listx)

结果如下所示

> results
    mseridge mselasso
 1: 36.36702 42.04854
 2: 44.73392 81.36519
 3: 40.37621 75.39565
 4: 42.75282 61.04850
 5: 42.30007 55.44008
 6: 55.58605 76.35885
 7: 38.62277 36.18105
 8: 36.77701 69.17898
 9: 56.83311 75.61917
10: 33.56595 66.23441

为惩罚模型编写循环

1 个答案:

第一

第二

第三