R语言 SparseM包 slm.fit()函数中文帮助文档(中英文对照)

loveR

slm.fit(SparseM)
slm.fit()所属R语言包：SparseM

                                        Internal slm fitting functions
                                         内部SLM拟合函数

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

Fitting functions for sparse linear model fitting.
稀疏线性模型拟合的拟合函数。


用法----------Usage----------


slm.fit(x,y,method, ...)
slm.wfit(x,y,weights,...)
slm.fit.csr(x, y, ...)



参数----------Arguments----------

参数：x
design matrix.   
设计矩阵。


参数：y
vector of response observations.   
矢量的反应观测。


参数：method
only csr is supported currently  
只csr支持


参数：weights
an optional vector of weights to be used in the fitting process. If specified, weighted least squares is used with weights "weights" (that is, minimizing  <p align="center">sum w e^2  The length of weights must be the same as the number of observations.  The weights must be nonnegative and it is strongly recommended that they be strictly positive, since zero weights are ambiguous.
在嵌合过程中要使用可选的权重向量。如果指定的话，加权最小二乘法，使用的权重的权重“（即，最小化<p />sum w e^2的长度作为观测值的数量必须是相同的权重的权重必须是负，并且强烈建议严格，他们是积极的，因为零的权重是不明确的。


参数：...
additional arguments.
其他参数。


Details

详细信息----------Details----------

slm.fit and slm.wfit call slm.fit.csr  to do Cholesky decomposition and then backsolve to obtain the least squares estimated coefficients. These functions can be called directly if the user is willing to specify the design matrix in matrix.csr form.  This is often advantageous in large problems to reduce memory requirements.
slm.fit和slm.wfitslm.fit.csr做Cholesky分解，然后backsolve获得的最小二乘估计系数。这些功能可以直接调用，如果用户愿意指定matrix.csr形式的设计矩阵。这往往是有利的，在大的问题，以减少对内存的要求。


值----------Value----------

A list of class slm consisting of:
列表类slm组成的：


参数：coef
estimated coefficients
估计系数


参数：chol
cholesky object from fitting
乔里斯基对象从配件


参数：residuals
residuals
残差


参数：fitted
fitted values
拟合值


参数：df.residual
degrees of freedom
自由度


参数：terms
terms
条款


参数：call
call
呼叫

...
...


（作者）----------Author(s)----------


Roger Koenker



参考文献----------References----------



参见----------See Also----------

slm
slm


实例----------Examples----------


data(lsq)
X &lt;- model.matrix(lsq) #extract the design matrix[提取的设计矩阵]
y &lt;- model.response(lsq) # extract the rhs[提取的RHS]
class(X) # -&gt; "matrix.csr"[ - >“matrix.csr”]
class(y) # -&gt; NULL[ - > NULL]
slm.fit(X,y)-&gt;slm.fit.o # this is much more efficient in memory usage than slm()[这是更有效的内存使用量超过SLM（）]
slm(y~as.matrix(X)-1) -&gt; slm.o # this requires X to be transformed into dense mode[这需要X可以转化为密集模式]
cat("Difference between `slm.fit' and `slm' estimated coefficients =",sum(abs(slm.fit.o$coef-slm.o$coef)),"\n")

转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。