我可以在caret和稀疏矩阵中使用glmnet吗？

Question

使用glmnet的一个大优点是可以直接处理稀疏矩阵，无需进行转换。这里的帖子似乎表明caret的train函数只能接受数据框作为训练集，而?caret::train也给出了同样的建议。这是否属实？

- Patrick McCarthy

Answer 1

在过去，这是绝对正确的，目前，预测数据将被转换为数据框。然而，软件包的一些最近更改可能会允许维护稀疏矩阵对象。

我已经添加了这个链接，并会进一步调查。

Max

- topepo

---

@topepo 快速跟进，请问今天可以做吗？谢谢！ - ℕʘʘḆḽḘ

Answer 2

这与glmnet兼容，例如：

@Noobie

library(glmnet)
set.seed(1)
X <- sparseMatrix(i=sample(1:20,20), j=sample(1:20,20), x=sample(1:100,20), 
                                       dims=c(20,20)) # some random sparse training data
X
# [1,] .  .  . 64  .  .  . .  . .  .  .  .  .  .  .  .  .  .  .
# [2,] .  .  .  .  .  .  . .  . .  .  .  .  . 98  .  .  .  .  .
# [3,] .  .  .  .  .  .  . .  . .  .  . 43  .  .  .  .  .  .  .
# [4,] .  .  .  .  .  .  . .  . .  .  .  .  .  .  .  .  .  . 51
# [5,] .  .  .  .  .  .  . .  . 7  .  .  .  .  .  .  .  .  .  .
# [6,] .  .  .  .  .  .  . .  . .  .  .  .  .  .  .  .  . 83  .
# [7,] .  .  .  .  .  .  . 9  . .  .  .  .  .  .  .  .  .  .  .
# [8,] .  .  .  . 65  .  . .  . .  .  .  .  .  .  .  .  .  .  .
# [9,] .  .  .  .  .  .  . .  . .  .  .  .  .  . 45  .  .  .  .
#[10,] . 22  .  .  .  .  . .  . .  .  .  .  .  .  .  .  .  .  .
#[11,] .  .  .  .  .  .  . .  . .  . 77  .  .  .  .  .  .  .  .
#[12,] .  .  .  .  .  .  . . 27 .  .  .  .  .  .  .  .  .  .  .
#[13,] .  .  .  .  .  .  . .  . .  .  .  .  .  .  . 33  .  .  .
#[14,] .  .  .  .  . 75  . .  . .  .  .  .  .  .  .  .  .  .  .
#[15,] 3  .  .  .  .  .  . .  . .  .  .  .  .  .  .  .  .  .  .
#[16,] .  . 54  .  .  .  . .  . .  .  .  .  .  .  .  .  .  .  .
#[17,] .  .  .  .  .  .  . .  . .  .  .  . 44  .  .  .  .  .  .
#[18,] .  .  .  .  .  . 55 .  . .  .  .  .  .  .  .  .  .  .  .
#[19,] .  .  .  .  .  .  . .  . . 68  .  .  .  .  .  .  .  .  .
#[20,] .  .  .  .  .  .  . .  . .  .  .  .  .  .  .  . 39  .  .

y <- as.factor(sample(0:1, 20, replace=TRUE))

enet.fit <- glmnet(X, y, family='binomial')

Xtest <- sparseMatrix(i=sample(1:10,10), j=sample(1:20,10), x=sample(1:100,10), 
                                     dims=c(10,20)) # some random sparse test data

# [1,] .  . . .  . 45  . . .  . .  .  .  .  . . .  . . .
# [2,] .  . . .  .  .  . . .  . .  .  .  .  . . . 21 . .
# [3,] .  . . .  .  .  . . .  . .  .  .  . 97 . .  . . .
# [4,] .  . . .  .  .  . . .  . . 27  .  .  . . .  . . .
# [5,] .  . . . 66  .  . . .  . .  .  .  .  . . .  . . .
# [6,] .  . . .  .  .  . . .  . .  .  . 55  . . .  . . .
# [7,] . 35 . .  .  .  . . .  . .  .  .  .  . . .  . . .
# [8,] .  . . .  .  .  . . . 86 .  .  .  .  . . .  . . .
# [9,] .  . . .  .  . 13 . .  . .  .  .  .  . . .  . . .
# [10,] .  . . .  .  .  . . .  . .  . 61  .  . . .  . . .

predict(enet.fit, newx=Xtest, type='class',s=0.01)
#      1
# [1,] "0"
# [2,] "1"
# [3,] "0"
# [4,] "0"
# [5,] "1"
# [6,] "1"
# [7,] "1"
# [8,] "1"
# [9,] "0"
#[10,] "0"

- Sandipan Dey