Question

我正试图在R的某些分类法中使用outer功能。简而言之,我们将在这一岗位上假设,我们有两个病媒,即:alpha>/strong>和。每一条含有0和1。我正在寻求一种简单而有效的途径,以通过alpha>/strong>和beta至>的所有组合。

我已建造了以下代码,以便把Lda功能从MASS图书馆转播,而不是“lda”,我使用的是“帽子”。必须指出,的预测方法取决于(alpha/strong>,beta)。

当然,我可以nes忙这样做,但我试图避免这种做法。

在这里,我想理想的做法是:

alpha <- seq(0, 1) beta <- seq(0, 1) classifier.out <- classifier(training.data, labels) outer(X=alpha, Y=beta, FUN="predict", classifier.out, validation.data)

这是一个问题,因为alpha/strong>和beta不是的头两个参数。

因此,为了解决这一问题,我把最后一行改为最后一行。

outer(X=alpha, Y=beta, FUN="predict", object=classifier.out, data=validation.data)

请注意,我的验证数据有40个观察点,还有4个可能的空白点:和。我错了说的话。

dims [product 4] do not match the length of object [40]

我曾尝试过其他一些事情,其中一些工作但远非简单。任何建议?

Answer 1

问题在于,外部希望其功能能够成为病媒(即,它将用它所希望执行的所有论点的矢量预测欧安会)。因此,当一度要求其结果(结果为4年)时,外部申诉就等于预期40。

解决这一问题的一个途径是使用<代码>检测。未经测试的法典:

outer(X=alpha, Y=beta, FUN=Vectorize(predict, vectorize.args=c("alpha", "beta")), object=classifier.out, data=validation.data)

Answer 2

我认为这是这样做的一个体面的方法。这里是:

pairs <- expand.grid(alpha, beta)
names(pairs) <- c("alpha", "beta")
mapply(predict, pairs$alpha, pairs$beta, 
    MoreArgs=list(object=classifier.out, data=validation.data))

任何人都比较简单、更有效率? 我非常想知道,因为我在这个问题上花了太长时间。

友情链接