r语言 - 如何使用成本函数从cv.glmnet中提取实际分类错误率，以便我可以与cv.glm进行比较

Question

二项式回归的cv.glmnet cvm实际上是二项式偏差。如何提取cv.glmnet对象的交叉验证分类错误率？我需要它与cv.glm交叉验证的错误率进行比较。

Answer 1

cv.glmnet提供

二项式偏差，而cv.glm提供分类误差。为了能够进行比较，您需要预测cv.glmnet的输出类并取分类误差的平均值：

cv2.2.lasso=cv.glmnet(x2.2, y2, alpha=1, family="binomial")
mean(predict(cv2.2.lasso, x2.2, s=cv2.2.lasso$lambda.1se, type="class") != y2)

但是，使用

上面的代码，您将使用所有数据计算拟合模型的分类误差，而不是交叉验证分类误差。如果你没有过度拟合，这些值应该足够接近，至少在数量级上，但不是真正的可比性。如果你真的需要比较两者，你应该自己运行交叉验证循环，可能是这样的：

errors <- vector(mode="list", number_of_folds)
rand <- floor(runif(dim(input_data)[1], min=0, max=number_of_folds))
for (fold in 0:(number_of_folds-1)) {
  print(paste("fold", fold))
  folds.x <- model.matrix(formula, data=input_data)
  folds.x.train <- folds.x[rand != fold,]
  folds.x.test <- folds.x[rand == fold,]
  folds.y.train <- input_data[rand != fold, results_column_name]
  folds.y.test <- input_data[rand == fold, results_column_name]
  folds.fit <- glmnet(folds.x.train, folds.y.train, alpha=1, family="binomial")
  folds.fit.test <- predict(folds.fit, folds.x.test, type="class")
  errors[[step+1]] <- apply(folds.fit.test != y2, 2, sum)
}

其中，列表中的每个元素errors包含每个 lambda 值的错误数总和。然后，您需要根据 lambda 计算平均值，然后选择要与其他模型进行比较的 lambda。

希望对您有所帮助。

Answer 2

另一种方法是：

cv.glmnet（x2.2， y2， alpha=1， family="binomial"， type.measure = "class"）