我正在尝试在regression上使用ridge white wine dataset模型。我想使用整个数据集进行训练，并使用10倍CV来计算测试错误率。那就是主要问题-如何为岭回归逻辑模型计算CV测试误差。 我计算了lambda的最佳值（也使用了CV），现在我想找到CV的测试错误率。目前，我的计算代码所述CV测试错误为-
cost1 <- function(good, pi=0) mean(abs(good-pi) > 0.5)
ridge.model <- glmnet(x, y, alpha = 0, family = "binomial", lambda = bestlam)
ridge.model$beta # all coefficients for the variables
ridge.model.cv.err<- cv.glm(winedata,ridge.model,cost1, K=10)
ridge.model.cv.err$delta
这将产生以下错误-
cbind2（1，newx）％％nbeta中的错误：％％
尚未实现的方法
有什么想法可能导致此错误？
我应该使用cv.glmnet来代替suggested。但是，它似乎不接受模型类型（这里将是逻辑模型）作为输入，而且它需要一个lambda值列表作为输入，而如上所述，我只有一个最佳的lambda值。因此，运行代码-
ridge.model.cv.err<- cv.glmnet(x,y, lambda = bestlam, cost1, K=10)
给出错误-Error in cv.glmnet(x, y, lambda = bestlam, cost1, K = 10) : Need more than one value of lambda for cv.glmnet
数据被处理为-
winedata <- read.delim("winequality-white.csv", sep = ';')
winedata$quality[winedata$quality< 7] <- "0" #recode
winedata$quality[winedata$quality>=7] <- "1" #recode
winedata$quality <- factor(winedata$quality)# Convert the column to a factor
names(winedata)[names(winedata) == "quality"] <- "good" #rename 'quality' to 'good'
感谢您的帮助。