cv.scout(scout)
cv.scout()所属R语言包：scout
Perform cross-validation for covariance-regularized regression, aka the Scout.
执行交叉验证为协方差正规化的回归，又名童军。
译者：生物统计家园网 机器人LoveR
描述----------Description----------
This function returns cross-validation error rates for a range of lambda1 and lambda2 values, and also makes beautiful CV plots if plot=TRUE.
这个函数返回的范围的lambda1和lambda2值交叉验证错误率，也使美丽的CV图，如果图= TRUE。
用法----------Usage----------
cv.scout(x, y, K= 10, lam1s=seq(0.001,.2,len=10),lam2s=seq(0.001,.2,len=10),p1=2,p2=1,trace = TRUE, plot=TRUE,plotSE=FALSE,rescale=TRUE,...)
参数----------Arguments----------
参数：x
A matrix of predictors, where the rows are the samples and the columns are the predictors
的预测，其中各行是样品和列的矩阵的预测
参数：y
A matrix of observations, where length(y) should equal nrow(x)
矩阵的观测，长度（Y），应等于NROW（X）
参数：K
Number of cross-validation folds to be performed; default is 10
进行的交叉验证折数，默认为10
参数：lam1s
The (vector of) tuning parameters for regularization of the covariance matrix. Can be NULL if p1=NULL, since then no covariance regularization is taking place. If p1=1 and nrow(x)<ncol(x), then the no value in lam1s should be smaller than 1e-3, because this will cause graphical lasso to take too long. Also, if ncol(x)>500 then we really do not recommend using p1=1, as graphical lasso can be uncomfortably slow.
正规化的协方差矩阵（矢量）调整参数。可以为NULL，如果p1 = NULL，因为当时没有协方差正规化发生。如果p1 = 1，NROW（X）<NCOL（X），那么没有价值的lam1s应该小于1E-3，因为这将导致图形套索的时间过长。此外，NCOL（X）> 500，那么，我们真的不建议使用P1 = 1，图形化的套索而显得缓慢。
参数：lam2s
The (vector of) tuning parameters for the $L_1$ regularization of the regression coefficients, using the regularized covariacne matrix. Can be NULL if p2=NULL. (If p2=NULL, then non-zero lam2s have no effect). A value of 0 will result in no regularization.
（矢量）$ L_1 $正规化的回归系数的调整参数，使用正则covariacne的矩阵。可以是NULL如果p2 = NULL。 （如果p2 = NULL，然后非零lam2s的有没有影响）。值为0将导致在没有正规化。
参数：p1
The $L_p$ penalty for the covariance regularization. Must be one of 1, 2, or NULL. NULL corresponds to no covariance regularization.
L_P $罚款的协方差正规化。必须是1，2，或NULL。 NULL没有协方差正规化。
参数：p2
The $L_p$ penalty for the estimation of the regression coefficients based on the regularized covariance matrix. Must be one of 1 (for $L_1$ regularization) or NULL (for no regularization).
L_P $处罚的基础上正则的协方差矩阵的估计回归系数。必须是1（$ L_1 $正规化）或NULL（不正规化）。
参数：trace
Print out progress as we go? Default is TRUE.
打印出的进步，因为我们去吗？默认值是TRUE。
参数：plot
If TRUE (by default), makes beautiful CV plots.
如果是TRUE（默认情况下），让美丽的CV图。
参数：plotSE
Should those beautiful CV plots also display std error bars for the CV? Default is FALSE
如果这些美丽的CV图还显示标准误差线的CV吗？默认是false。
参数：rescale
Scout rescales coefficients, by default, in order to avoid over-shrinkage
童军重新调整系数，默认情况下，为了避免过度收缩
参数：...
Additional parameters
额外的参数
Details
详细信息----------Details----------
Pass in a data matrix x and a vector of outcomes y; it will perform (10-fold) cross-validation over a range of lambda1 and lambda2 values. By default, Scout(2,1) is performed.
通过在一个数据矩阵x和一个向量的成果Ŷ;其将执行（10倍）以上的范围内的lambda1和lambda2值的交叉验证。默认情况下，童军（2,1）。
值----------Value----------
<table summary="R valueblock"> <tr valign="top"><td>folds</td> <td> The indices of the members of the K test sets are returned.</td></tr> <tr valign="top"><td>cv</td> <td> A matrix of average cross-validation errors is returned.</td></tr> <tr valign="top"><td>cv.error</td> <td> A matrix containing the standard errors of the elements in "cv", the matrix of average cross-validation errors.</td></tr> <tr valign="top"><td>bestlam1</td> <td> Best value of lam1 found via cross-validation.</td></tr> <tr valign="top"><td>bestlam2</td> <td> Best value fo lam2 found via cross-validation.</td></tr> <tr valign="top"><td>lam1s</td> <td> Values of lam1 considered.</td></tr> <tr valign="top"><td>lam2s</td> <td> Values of lam2 considered.</td></tr> </table>
<table summary="R valueblock"> <tr valign="top"> <TD> folds</ TD> <TD>指数的K测试组的成员的返回。</ TD> < / TR> <tr valign="top"> <TD> cv</ TD> <TD>的平均交叉验证错误，则返回一个矩阵。</ TD> </ TR> <TR VALIGN =“顶“<TD> cv.error </ TD> <TD>”CV“，平均交叉验证错误的矩阵的矩阵中的元素的标准误差。</ TD> </ TR> < TR VALIGN =“顶”> <TD>bestlam1 </ TD> <TD>找到最佳值lam1通过交叉验证。</ TD> </ TR> <tr valign="top"> <TD >bestlam2</ TD> <TD> FO lam2发现，通过交叉验证的最佳值。</ TD> </ TR> <tr valign="top"> <TD>lam1s</ TD考虑>的<td>的lam1值。</ TD> </ TR> <tr valign="top"> <TD> lam2s</ TD> <TD>考虑的lam2值。</ TD> < / TR> </ TABLE>
（作者）----------Author(s)----------
Daniela M. Witten and Robert Tibshirani
参考文献----------References----------
regression and classification for high-dimensional problems. Journal
参见----------See Also----------
scout, predict.scoutobject
侦察兵，predict.scoutobject
实例----------Examples----------
data(diabetes)
attach(diabetes)
par(mfrow=c(2,1))
par(mar=c(2,2,2,2))
cv.sc <- cv.scout(x2,y,p1=2,p2=1)
print(cv.sc)
cv.la <- cv.lars(x2,y)
print(c("Lars minimum CV is ", min(cv.la$cv)))
print(c("Scout(2,1) minimum CV is ", min(cv.sc$cv)))
detach(diabetes)
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。
|
发表于 2012-9-29 23:00:03
