使用 cv.lm() 进行 K 折交叉验证答案

【问题标题】：K-fold cross-validation using cv.lm()使用 cv.lm() 进行 K 折交叉验证
【发布时间】：2013-12-23 22:57:52
【问题描述】：

我是 R 新手，正在尝试使用 cv.lm() 进行 K 折交叉验证参考：http://www.statmethods.net/stats/regression.html

我收到错误消息，表明我的变量长度不同。事实上，在我使用 length() 进行验证的过程中，我发现大小实际上是一样的。

以下是复制问题的最小数据集，

使用以下代码进行交叉验证

# K-fold cross-validation, with K=10
sampledata <- read.table("H:/sample.txt", header=TRUE)
y.1 <- sampledata$Y
x.1 <- sampledata$X
fit=lm(y.1 ~ x.1)
library(DAAG)
cv.lm(df=sampledata, fit, m=10)

终端上的错误，

Error in model.frame.default(formula = form, data = df[rows.in, ], drop.unused.levels = TRUE) : 
  variable lengths differ (found for 'x.1')

验证，

> length(x.1)
[1] 30
> length(y.1)
[1] 30

以上确认长度相同。

> str(x.1)
 int [1:30] 277 285 297 308 308 263 278 283 268 250 ...
> str(y.1)
 num [1:30] 5.2 5.17 4.96 5.26 5.11 5.27 5.2 5.16 5.17 5.2 ...

> is(y.1)
[1] "numeric" "vector" 
> is(x.1)
[1] "integer"             "numeric"             "vector"              "data.frameRowLabels"

对上述数据集的进一步检查表明一个数据集是整数，另一个是数字。但即使将数据集从数字转换为整数或将整数转换为数字，屏幕上仍会弹出相同的错误，指示数据长度存在问题。

您能指导我如何纠正错误吗？

自 2 天前以来，我一直未能成功处理此问题。没有从我使用互联网的研究中得到任何好的线索。

其他相关查询：

如果我们在属性中使用数据集的标题，我会发现合适的工作，

fit=lm(Y ~ X, data=sampledata)

a) 与上述语法有什么区别，

fit1=lm(sampledata$Y ~ sampledata$X)

认为是一样的。在下面，

#fit 1 works
fit1=lm(Y ~ X, data=sampledata)
cv.lm(df=sampledata, fit1, m=10)

#fit 2 does not work
fit2=lm(sampledata$Y ~ sampledata$X)
cv.lm(df=sampledata, fit2, m=10)

问题在于 df=sampledata，因为标题“sampledata$Y”不存在，而只有 $Y 存在。试图将 cv.lm 操作到它下面也不起作用，

cv.lm(fit2, m=10)

b) 如果我们喜欢操纵变量，如何在 cv.lm() 中使用它，例如

y.1 <- (sampledata$Y/sampledata$X)
x.1 <- (1/sampledata$X)

#fit 4 problem
fit4=lm(y.1 ~ x.1)
cv.lm(df=sampledata, fit4, m=10)

有没有办法可以引用 y.1 和 x.1 而不是函数中的标题 Y ~ X？

谢谢。

【问题讨论】：

标签： r

【解决方案1】：

我不确定为什么会发生这种情况，但我发现您没有为 lm() 指定数据参数，所以这是我的第一个猜测。

fit=lm(Y ~ X, data=sampledata)

由于错误消失了，这可能是一个足够的答案。

UPD：错误原因是sampledata中不存在y.1和x.1，作为cv.lm的df参数提供，所以公式y.1~ x.1 在 cv.lm 环境中没有意义。

【讨论】：

感谢您的回复。当我们在 cv.lm() 中使用头文件时它可以工作。有没有办法我可以在 cv.lm() 中使用 y.1 和 x.1，因为大多数时候我会操纵标头来执行 cv.lm()。已更新我的原始文章以对此进行解释。