R中的For循环用于建模

我正在尝试运行一个rpart树模型，在这个模型中，我的硬件问题表明我必须为不同的cp值迭代该模型。我想为相同的值创建一个for循环。 例如，cp范围从0.01到0.10，我想做一个循环/或使用apply族函数来获得10个名为tree_mod1、tree_mod2等的模型。

---

有人能帮我怎么做吗？我是R的新手，在网上找不到我想要的答案。谢谢。

您可以创建一个cp值列表，并使用Lappy对其进行迭代：

cp <- list(cp1 = the_first_cp, 
           cp2 = the_second_cp)
model_list <- lapply(cp, function(x) rpart(rpart arguments, cp = x))
names(model_list) <- names(cp)

---

cp您可以创建一个cp值列表，并使用lappy对其进行迭代：

cp <- list(cp1 = the_first_cp, 
           cp2 = the_second_cp)
model_list <- lapply(cp, function(x) rpart(rpart arguments, cp = x))
names(model_list) <- names(cp)

cp除了完整的好答案之外，如果你包含一段你自己尝试过的代码，那么你获得好答案的机会就会大大增加

在这种情况下，有相当多的包来创建基于树的模型
rpart
通常是速度较快的一种，但我们不知道您被要求使用哪一种

显然，您可以手动执行此操作

library(rpart)
data(kyphosis, package = "rpart")
tree_mods <- list()
form <- Kyphosis ~ Age + Number + Start
tree_mods[["treemod1"]] <- rpart(form, data = kyphosis, cp = 0.01)
tree_mods[["treemod1"]] <- rpart(form, data = kyphosis, cp = 0.02)
...

因为这是一个家庭作业，你应该能够改变循环，以满足你的需要，作为作业的一部分

编辑：应用和for循环的时间差
从评论中可以看出，在R中应用
*是否比
for loops
更快。这是一个常见的神话，在几年前的一次更新之前，R中改进了
for loops
的性能。下面我添加了一个小说明计算列means。（注意。不要像我在示例中所做的那样。使用
colMeans
。这只是为了说明）

n除了完整的好答案之外，如果你包含一段你自己尝试过的代码，那么你得到好答案的机会就会大大增加

在这种情况下，有相当多的包来创建基于树的模型
rpart
通常是速度较快的一种，但我们不知道您被要求使用哪一种

显然，您可以手动执行此操作

library(rpart)
data(kyphosis, package = "rpart")
tree_mods <- list()
form <- Kyphosis ~ Age + Number + Start
tree_mods[["treemod1"]] <- rpart(form, data = kyphosis, cp = 0.01)
tree_mods[["treemod1"]] <- rpart(form, data = kyphosis, cp = 0.02)
...

因为这是一个家庭作业，你应该能够改变循环，以满足你的需要，作为作业的一部分

编辑：应用和for循环的时间差
从评论中可以看出，在R中应用
*是否比
for loops
更快。这是一个常见的神话，在几年前的一次更新之前，R中改进了
for loops
的性能。下面我添加了一个小说明计算列means。（注意。不要像我在示例中所做的那样。使用
colMeans
。这只是为了说明）

n嘿，非常感谢您的解决方案！这很有帮助。我还需要用不同的名称保存每个模型。你知道我该怎么做吗？如果你的原始CP列表被命名，你可以在你的模型列表中使用相同的（或修改过的）名称。我已经编辑了我的答案来反映这一点。嘿，非常感谢你的解决方案！这很有帮助。我还需要用不同的名称保存每个模型。你知道我该怎么做吗？如果你的原始CP列表被命名，你可以在你的模型列表中使用相同的（或修改过的）名称。我编辑了我的答案来反映这一点。关于“For循环速度稍快，但可读性往往较低”，不是吗？过去是这样，如果你搜索互联网，最热门的往往是引用，这些引用会告诉你这是事实。但事实并非如此。一次更新（相信早在2015年或更久远的时候）改变了R中循环的
，它们得到了极大的改进。基本上，
apply
将在内部创建一个
for循环
，并为您运行该函数（不精确，但足够接近）。为循环
创建
所需的时间是开销，这将使其速度稍慢。额外的格式化在最后完成，增加了一点开销。循环越长，差异就越小。我在答案中添加了一个小示例（稍后），我将时间差作为一个小示例。关于“for循环速度稍快，但可读性通常较低”，不是吗？过去是这样，如果你在互联网上搜索，最热门的往往是那些事实上会告诉你这一点的参考资料。但事实并非如此。一次更新（相信早在2015年或更久远的时候）改变了R中循环的
，它们得到了极大的改进。基本上，
apply
将在内部创建一个
for循环
，并为您运行该函数（不精确，但足够接近）。为循环
创建
所需的时间是开销，这将使其速度稍慢。额外的格式化在最后完成，增加了一点开销。循环越长，差异越小。我在答案中添加了一个小示例（稍后），我将时间差异作为一个小示例。