Nano Hash - криптовалюты, майнинг, программирование

Проблема с запуском glmnet () для набора данных mtcars

Каждый раз, когда я запускаю glmnet(mpg ~ ., data = mtcars, alpha=1) (из пакета glmnet), я получаю следующую ошибку:

«Ошибка в glmnet (mpg ~., Data = mtcars, alpha = 1): неиспользуемый аргумент (data = mtcars)»

Есть идеи, как с этим бороться?

Я думаю, это потому, что функция glmnet () должна принимать x и y как отдельные аргументы. Если мне нужны отдельные аргументы x и y, как мне написать формулу, чтобы glmnet::glmnet() выполнялся для всех переменных mtcars?

r function glmnet syntax-error lasso-regression
01.12.2018

  • Это руководство, на которое вы ссылаетесь, посвящено пакету glmnetUtils, тогда как вы, вероятно, имеете в виду пакет glmnet. 01.12.2018
  • @markus ты прав - я отредактировал вопрос 01.12.2018
  • Взгляните на документы (?glmnet::glmnet). У него нет аргумента data; скорее для ответа требуется матрица x и вектор или матрица y. Используемый синтаксис больше похож на базовые функции, такие как lm, которые принимают формулы. В Документах также есть несколько примеров 01.12.2018

Ответы:


1

Как предлагает комментатор, вам нужно использовать метод glmnet следующим образом:

fit <- glmnet(as.matrix(mtcars[-1]), mtcars$mpg, alpha=1)

plot(fit)

введите описание изображения здесь

01.12.2018
  • спасибо за ответ - не могли бы вы мне интерпретировать сюжет? В общем, но также, что представляет ось x? 02.12.2018
  • Ось X представляет собой абсолютное значение суммы коэффициентов модели. LASSO работает, добавляя штраф к вашей функции потерь регрессии. Этот штраф представляет собой абсолютное значение коэффициентов. По мере того, как вы ослабляете штраф (увеличиваете его), в модель входит больше переменных. Коэффициенты переменных обозначены осью ординат. 03.12.2018
    • Новые материалы
    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..