是否可以查询'R'函数的参数默认值？

在大多数情况下，文档中给出了函数参数的默认值。 但是，在某些情况下，默认值是根据其他参数（包括数据本身）计算的，因此无法在文档中指定

例如，如何查找库

glmnet

中用于函数

glmnet

的默认

lambda

网格？ 根据文档，默认的

lambda

是基于

nlambda

（默认为

100

）和

lambda.min.ratio

（似乎是数据衍生值）计算的

当我使用给定的数据集运行此函数时，我想知道它使用的

lambda

的值。这在使用

cv.glmnet

时特别有用，因为我想知道当我不提供lambda时，它会选择哪个

lambda

样本输入：

library(glmnet)

set.seed(1)
x=rnorm(100)
eps=rnorm(100)

y = 1 + x + x^2 + x^3 + eps

xmat=model.matrix(y~poly(x,10,raw=T),data=data.frame(x=x))

cv.out=cv.glmnet(xmat, y,alpha=0) # What is the lambda used here?
bestlam=cv.out$lambda.min
print(bestlam)


# When a grid is specified, the result is very different and sometimes worse.
grid=10^seq(10,-2,length=100)
cv.out=cv.glmnet(xmat, y,alpha=0, lambda=grid)
bestlam=cv.out$lambda.min
print(bestlam)

示例输出（请注意，它们非常不同）：

---

您总是可以键入函数名并按enter键来获取函数的源代码。在给定的示例中，lambda默认为NULL

cv.glmnet
## function (x, y, weights, offset = NULL, lambda = NULL, type.measure = c("mse", 
##     "deviance", "class", "auc", "mae"), nfolds = 10, foldid, 
##     grouped = TRUE, keep = FALSE, parallel = FALSE, ...) 
## {
##     if (missing(type.measure)) 
##         type.measure = "default"
##     else type.measure = match.arg(type.measure)
##     if (!is.null(lambda) && length(lambda) < 2) 
##         stop("Need more than one value of lambda for cv.glmnet")
##     N = nrow(x)
##     if (missing(weights)) 
##         weights = rep(1, N)
##     else weights = as.double(weights)
##     y = drop(y)
##     glmnet.call = match.call(expand.dots = TRUE)
##     which = match(c("type.measure", "nfolds", "foldid", "grouped", 
##         "keep"), names(glmnet.call), F)
##     if (any(which)) 
##         glmnet.call = glmnet.call[-which]
##     glmnet.call[[1]] = as.name("glmnet")
##     glmnet.object = glmnet(x, y, weights = weights, offset = offset, 
##         lambda = lambda, ...)
##     glmnet.object$call = glmnet.call
##     is.offset = glmnet.object$offset
##     lambda = glmnet.object$lambda
##     if (inherits(glmnet.object, "multnet")) {
##         nz = predict(glmnet.object, type = "nonzero")
##         nz = sapply(nz, function(x) sapply(x, length))
##         nz = ceiling(apply(nz, 1, median))
##     }
##     else nz = sapply(predict(glmnet.object, type = "nonzero"), 
##         length)
##     if (missing(foldid)) 
##         foldid = sample(rep(seq(nfolds), length = N))
##     else nfolds = max(foldid)
##     if (nfolds < 3) 
##         stop("nfolds must be bigger than 3; nfolds=10 recommended")
##     outlist = as.list(seq(nfolds))
##     if (parallel && require(foreach)) {
##         outlist = foreach(i = seq(nfolds), .packages = c("glmnet")) %dopar% 
##             {
##                 which = foldid == i
##                 if (is.matrix(y)) 
##                   y_sub = y[!which, ]
##                 else y_sub = y[!which]
##                 if (is.offset) 
##                   offset_sub = as.matrix(offset)[!which, ]
##                 else offset_sub = NULL
##                 glmnet(x[!which, , drop = FALSE], y_sub, lambda = lambda, 
##                   offset = offset_sub, weights = weights[!which], 
##                   ...)
##             }
##     }
##     else {
##         for (i in seq(nfolds)) {
##             which = foldid == i
##             if (is.matrix(y)) 
##                 y_sub = y[!which, ]
##             else y_sub = y[!which]
##             if (is.offset) 
##                 offset_sub = as.matrix(offset)[!which, ]
##             else offset_sub = NULL
##             outlist[[i]] = glmnet(x[!which, , drop = FALSE], 
##                 y_sub, lambda = lambda, offset = offset_sub, 
##                 weights = weights[!which], ...)
##         }
##     }
##     fun = paste("cv", class(glmnet.object)[[1]], sep = ".")
##     cvstuff = do.call(fun, list(outlist, lambda, x, y, weights, 
##         offset, foldid, type.measure, grouped, keep))
##     cvm = cvstuff$cvm
##     cvsd = cvstuff$cvsd
##     cvname = cvstuff$name
##     out = list(lambda = lambda, cvm = cvm, cvsd = cvsd, cvup = cvm + 
##         cvsd, cvlo = cvm - cvsd, nzero = nz, name = cvname, glmnet.fit = glmnet.object)
##     if (keep) 
##         out = c(out, list(fit.preval = cvstuff$fit.preval, foldid = foldid))
##     lamin = if (type.measure == "auc") 
##         getmin(lambda, -cvm, cvsd)
##     else getmin(lambda, cvm, cvsd)
##     obj = c(out, as.list(lamin))
##     class(obj) = "cv.glmnet"
##     obj
## }
## <environment: namespace:glmnet>

cv.glmnet
##函数（x，y，权重，偏移量=NULL，λ=NULL，type.measure=c（“mse”），
##“偏差”、“等级”、“auc”、“mae”），nfolds=10，foldid，
##分组=真，保持=假，并行=假，…）
## {
##如果（缺失（类型测量））
##type.measure=“默认值”
##else type.measure=match.arg（type.measure）
##如果（！is.null（lambda）和长度（lambda）<2）
##停止（“cv.glmnet需要一个以上的lambda值”）
##N=nrow（x）
##如果（缺少（重量））
##权重=代表（1，N）
##else权重=as.double（权重）
##y=下降（y）
##glmnet.call=match.call（expand.dots=TRUE）
##其中=匹配（c（“type.measure”、“nfolds”、“foldid”、“grouped”，
##“保留”），姓名（glmnet.call），F）
##（如有的话）
##glmnet.call=glmnet.call[-which]
##glmnet.call[[1]]=as.name（“glmnet”）
##glmnet.object=glmnet（x，y，权重=权重，偏移=偏移，
##λ=λ，…）
##glmnet.object$call=glmnet.call
##is.offset=glmnet.object$offset
##lambda=glmnet.object$lambda
##if（继承（glmnet.object，“multnet”））{
##nz=预测（glmnet.object，type=“非零”）
##nz=sapply（nz，函数（x）sapply（x，长度））
##nz=上限（适用（新西兰，1，中间值））
##     }
##else nz=sapply（predict（glmnet.object，type=“非零”），
##长度）
##如果（丢失（foldid））
##foldid=样本（代表（序号（nfolds），长度=N））
##else nfolds=max（foldid）
##if（nfolds<3）
##停止（“Nfold必须大于3；建议Nfold=10”）
##大纲视图=原始列表（序号（nfolds））
##if（并行和需要（foreach））{
##大纲视图=foreach（i=seq（nfolds），.packages=c（“glmnet”））%dopar%
##             {
##which=foldid==i
##如果（是矩阵（y））
##y_sub=y[！哪个，]
##否则y_sub=y[！哪个]
##如果（是偏移量）
##offset_sub=as.matrix（offset）[！其中，]
##else offset_sub=NULL
##glmnet（x[！which，drop=FALSE]，y_sub，lambda=lambda，
##偏移量=偏移量，权重=权重[！其中]，
##                   ...)
##             }
##     }
##否则{
##（i在下文（nfolds）中）{
##which=foldid==i
##如果（是矩阵（y））
##y_sub=y[！哪个，]
##否则y_sub=y[！哪个]
##如果（是偏移量）
##offset_sub=as.matrix（offset）[！其中，]
##else offset_sub=NULL
##大纲视图[[i]]=glmnet（x[！which，drop=FALSE]，
##y_sub，lambda=lambda，offset=offset_sub，
##权重=权重[！哪个]，…）
##         }
##     }
##fun=粘贴（“cv”，类（glmnet.object）[[1]]，sep=“.”）
##cvstuff=do.call（乐趣，列表（大纲图，lambda，x，y，权重，
##偏移量、折叠、类型、度量、分组、保留）
##cvm=cvm$cvm
##cvsd=cvstuff$cvsd
##cvname=cvstuff$name
##out=list（lambda=lambda，cvm=cvm，cvsd=cvsd，cvup=cvm+
##cvsd，cvlo=cvm-cvsd，nzero=nz，name=cvname，glmnet.fit=glmnet.object）
##如果（保留）
##out=c（out，list（fit.preval=cvstuff$fit.preval，foldid=foldid））
##lamin=if（type.measure==“auc”）
##getmin（λ，-cvm，cvsd）
##else getmin（lambda、cvm、cvsd）
##obj=c（输出，如列表（lamin））
##类别（obj）=“cv.glmnet”
##obj
## }
## 

如果默认值取决于其他参数的值，那么我看不到其他解决方案，只有在调用该函数时以调试模式输入该函数。您可以使用

debugonce

，例如：

> debugonce(cv.glmnet)
> 
> cv.out=cv.glmnet(xmat, y,alpha=0) # What is the lambda used here?
debugging in: cv.glmnet(xmat, y, alpha = 0)
[...]
Browse[2]> ls()
#  [1] "foldid"       "grouped"      "keep"         "lambda"       "nfolds"       "offset"      
#  [7] "parallel"     "type.measure" "weights"      "x"            "y"           
Browse[2]> lambda
NULL
Browse[2]> c
>

---

所以对于第一个调用，

lambda

是

NULL

。但是，如果在第二次调用

cv.glmnet

时重复该方法，您将看到在这种情况下

lambda

是长度为100的数字向量

我很惊讶这两个都还没有发布，但明显的功能是

args

和

formals

：

args

只显示函数的“顶部”，没有正文，这与调用

cv.glmnet

不同：

> args(cv.glmnet)
function (x, y, weights, offset = NULL, lambda = NULL, type.measure = c("mse", 
    "deviance", "class", "auc", "mae"), nfolds = 10, foldid, 
    grouped = TRUE, keep = FALSE, parallel = FALSE, ...) 
NULL

formals

以列表的形式给出这些参数：

> formals(cv.glmnet)
$x


$y


$weights


$offset
NULL

$lambda
NULL

$type.measure
c("mse", "deviance", "class", "auc", "mae")

$nfolds
[1] 10

$foldid


$grouped
[1] TRUE

$keep
[1] FALSE

$parallel
[1] FALSE

$...

---

您应该能够在函数本身中找到它。如果键入

glmnet

没有返回该函数，您可以尝试

getAnywhere（'glmnet'）

。看起来您需要查看其中一个函数

glmnet

调用，以找出

lambda

设置为

NULL

时实际使用的值（这只是“执行默认操作”的代码）.我甚至没有意识到，

R

> formals(cv.glmnet)
$x


$y


$weights


$offset
NULL

$lambda
NULL

$type.measure
c("mse", "deviance", "class", "auc", "mae")

$nfolds
[1] 10

$foldid


$grouped
[1] TRUE

$keep
[1] FALSE

$parallel
[1] FALSE

$...