cv。glmnet和略去一个CV

以下是回答您的问题的尝试:

1) cv.glmnet 通过使用规范的交叉验证来测试每个lambda的性能。以下是一个示例:

library(glmnet)
data(iris)

找到虹膜预测的最佳lambda:

CVGLM <- cv.glmnet(as.matrix(iris[,-5]),
                   iris[,5],
                   nfolds = nrow(iris),
                   type.measure = "class",
                   alpha = 0,
                   grouped = FALSE,
                   family = "multinomial")

最佳lambda的未命中分类错误为

CVGLM$cvm
#output
0.06

如果您使用LOOCV和best lambda单独进行测试:

z <- lapply(1:nrow(iris), function(x){
  fit <- glmnet(as.matrix(iris[-x,-5]),
                iris[-x,5],
                alpha = 0,
                lambda = CVGLM$lambda.min,
                family="multinomial")

   pred <- predict(fit, as.matrix(iris[x,-5]), type = "class")

  return(data.frame(pred, true = iris[x,5]))
})

z <- do.call(rbind, z)

并检查错误率:

sum(z$pred != z$true)/150
#output
0.06

因此,似乎没有必要使用与cv中相同的方法来测试性能。glmnet,因为它将是相同的。

2) 当您拥有最佳lambda时,您应该使用 glmnet 作用您在使用该模型后要做什么完全取决于您。大多数人训练模型来预测某事。

3) 分类问题的R^2是什么?如果你能解释这一点,那么你就可以计算它。

R^2=解释变化/总变化

就课程而言,这是什么?

无论如何,R^2不用于分类,而是用于AUC、偏差、精度、平衡精度、kappa、joudens J等-其中大多数用于二元分类,但有些可用于多项式分类。

我建议 this 作为进一步阅读