在多项式中运行glmnet时出错

在R包glmnet的1.7.3版本中解决了此问题中提到的问题。

我在使用family = multinomial运行glmnet时遇到一些问题，并且想知道是否遇到了类似的问题，或者是否能够告诉我我在做什么错。

当我放入自己的虚拟数据时，运行时会报告错误“ apply（nz，1，中位数）：dim（X）必须具有正长度的错误” cv.glmnet，除了说“它没有用”之外，对我来说并没有提供太多信息。

y=rep(1:3,20) #=> 60 element vector
set.seed(1011)
x=matrix(y+rnorm(20*3*10,sd=0.4),nrow=60) # 60*10 element matrix
glm = glmnet(x,y,family="multinomial")   #=> returns without error
crossval = cv.glmnet(x,y,family="multinomial")   #=> Error in apply(nz, 1, median) : dim(X) must have a positive length
crossval = cv.glmnet(x,y,family="multinomial",type.measure="class")   #=> Error in apply(nz, 1, median) : dim(X) must have a positive length
crossval = cv.glmnet(x,y,family="multinomial",type.measure="mae")   #=> Error in apply(nz, 1, median) : dim(X) must have a positive length
cvglm = cv.glmnet(x,y,family="multinomial",lambda=2)   #=> Error in apply(nz, 1, median) : dim(X) must have a positive length

这是我试图让glmnet解决的问题的直观描述，如果有帮助的话：

my_colours = c('red','green','blue')
plot(x[,1],x[,2],col=my_colours[y])

我能够从软件包文档中运行示例代码，这使我怀疑是我误解了某件事，还是glmnet中存在一个错误。

library(glmnet)
set.seed(10101)
n=1000;p=30
x=matrix(rnorm(n*p),n,p) #=> 1000*30 element matrix
beta3=matrix(rnorm(30),10,3)
beta3=rbind(beta3,matrix(0,p-10,3))
f3=x%*% beta3
p3=exp(f3)
p3=p3/apply(p3,1,sum)
g3=rmult(p3) #=> 1000 element vector
set.seed(10101)
cvfit=cv.glmnet(x,g3,family="multinomial")

尽管我可以在R 2.14.1上产生相同的问题，但它使用的是R版本2.13.1（2011-07-08）和glmnet 1.7.1。有什么想法的人吗？

有一个细微的错误。

发生的情况如下：在人工数据集中，三组平均值在一条线上，并且使用相对较小的标准偏差，这三组在10维空间中变为线性可分离的。结果，对于所有$\lambda$，与第二组有关的所有参数都估计为0 。校验

coef(glm)

在内部cv.glmnet有一个呼叫predict，以确定每个非零系数的数目。尝试$\lambda$

predict(glm, type = "nonzero")

通过阅读cv.glmnet代码，该结构应该是列表的列表，但是列表中的第二个条目为NULL，而不是列表！这会导致错误。它发生在以下代码块中cv.glmnet

if (inherits(glmnet.object, "multnet")) {
    nz = predict(glmnet.object, type = "nonzero")
    nz = sapply(nz, function(x) sapply(x, length))
    nz = ceiling(apply(nz, 1, median))
}

这两次嵌套sapply调用返回的结果不是最后一次调用所期望的矩阵apply。这会产生错误。

在实践中不太可能会遇到错误，但是代码对于极端情况当然应该很健壮。您应该将问题报告给维护者Trevor Hastie（他的电子邮件在链接中列出）。

首先转换矩阵

x没有反应成数值。之后，像数据结构一样，通过搜索名称或行名找到对模型有贡献的有效系数。