非参数统计r语言编程,r语言中参数长度为0

选择CV岭参数0引言1、代码1.1获取数据函数1.2岭估计函数1.3岭估计CV预测精度1.4优化调用2、总结

引言0

《R语言入门——多元回归交叉验证的实现》介绍了用RMSE测量模型预测精度的交叉验证思路，本文采用同样的思路确定岭回归的岭参数。 具体的估计是：

^=(xtxe )1XTY.(hat ) beta ) ) x ) tx(lambdae ) ^{-1}x^ty.^=) xtxe )1xty。

本文旨在选择适当的(lambda为交叉验证后的最小RMSE，具体码如下：

1、代码1.1数据获取函数输入参数：

(p )变量的维数，通常取正整数，默认三维.(数值) ) ) ) )。

n :是大于p的整数，默认值为200.(数值)

beta :回归数据的真实参数。 每个组件的默认值为1.1。 长度是p的向量

输出参数：

-data:n(p1 )-n * (p1 )-n ) P1 )的数据框中，第一列以y-y值为自变量，第二列以P1-p1p 1列以p为自变量。

getdata-function(n=200，p=3，beta=rep (1，p ) ) library ) mass ) x - mvrnorm(n ) n，rep ) 0，p，diag ) RS 1:p ) y-x % * % beta rnorm (n，0，0.5 ) data-data.frame(y=y，x ) Data} 1.2岭估计函数输入参数：

数据： n (p 1 ) n* ) p 1 ) n ) P1 )中的数据框。 第一列为y y y值，第二列为p1

p+1 p+1列为p为自变量.
– lambda: 岭回归的惩罚参数，默认值为0.1.（数值）
输出参数：
– beta：输出岭回归的参数估计.( p ∗ 1 p*1 p∗1的矩阵)

rlm <- function(data = getData(20,3), lambda = 0.1){ library(MASS) x <- as.matrix(cbind(1, data[,-1])) y <- data[,1] n <- nrow(x); p = ncol(x) beta <- ginv(t(x) %*% x + lambda*diag(p)) %*% t(x) %*% y return(beta)} 1.3 岭估计CV预测精度

输入参数：
– data: n ∗ ( p + 1 ) n*(p+1) n∗(p+1)的数据框，第一列为 y y y值，第二到 p + 1 p+1 p+1列为p为自变量.（数据框）
– lambda: 岭回归的惩罚参数，默认值为0.1.（数值）
– k: 交叉验证的折数，默认值为5.（数值）
输出参数：（列表）
– yhat：输出岭回归的预测值.(列表中的第一个元素，为一个长度为n的向量)
– RMSE：输出岭回归的RMSE值.(列表中的第二个元素，为一个长度为1的向量)

CV.rlm <- function(data = getData(20,3), lambda = 0.1, k = 5, p = rep(1, k)/k){ n <- nrow(data) e <- n - sum(round(n*p)) ngroup <- round(n*p) if(e != 0){ for(i in 1:e){ ngroup[i] <- ngroup[i] + 1 } } start <- c(1, cumsum(ngroup)[1:(k-1)]+1) end <- cumsum(ngroup) ind <- sample(1:n) yhats <- c() for(i in 1:k){ testdata <- data[ind[start[i]:end[i]],] traindata <- data[-ind[start[i]:end[i]],] testx <- as.matrix(cbind(1, testdata[, -1])) beta <- rlm(data = traindata, lambda = lambda) yhat <- testx %*% beta yhats <- c(yhats, yhat) } erro <- yhats - data$y[ind] RMSE <- sqrt((t(erro) %*% erro)/nrow(data)) out <- list(yhat = yhats, RMSE = RMSE) return(out)} 1.4 优化调用 > nlminbfunction (start, objective, gradient = NULL, hessian = NULL, ..., scale = 1, control = list(), lower = -Inf, upper = Inf) > CV.rlm(data = getData(20,3), lambda = 0.1)$yhat [1] 2.5900983 2.7405474 -1.1402619 -0.5300552 -0.1751282 1.6769301 [7] 0.3326216 -2.2282021 0.4628716 0.1187324 0.8532815 -0.5505310[13] 1.1872715 -0.2164008 -0.2094051 -1.4429908 0.4309090 0.8978614[19] -0.1471460 1.7677643$RMSE [,1][1,] 0.6613792> nlminb(1, function(x) CV.rlm(data = getData(20,3), lambda = x)$RMSE)$par # 结果[1] 1.015625$objective[1] 0.4249641$convergence[1] 1$iterations[1] 2$evaluationsfunction gradient 21 2 $message[1] "false convergence (8)" 2、总结

最后希望可以帮助大家提高R水平。水平有限发现错误还望及时评论区指正，您的意见和批评是我不断前进的动力。