具有标准估计误差的线性回归的R-k倍交叉验证

我想在R中对线性回归模型执行k倍交叉验证，并测试一个标准误差规则：

因此，我需要一个函数，该函数将返回预测误差的交叉验证估计值和该估计值的标准误差（或者至少是每倍的MSE，以便我自己计算标准误差）。许多软件包都有计算交叉验证误差的函数（例如，

boost

软件包中的

cv.glm

），但它们通常只返回预测误差的cv估计值，而不返回其标准误差，或返回每个折叠的MSE

我尝试使用包

DAAG

，它的函数

CVlm

应该比

cv.glm

提供更丰富的输出。然而，我似乎无法让它工作！这是我的密码：

a=c(0.0056, 0.0088, 0.0148, 0.0247, 0.0392, 0.0556, 0.0632, 0.0686, 0.0786, 0.0855, 0.0937)
b=c(6.0813, 9.5011, 15.5194, 23.9409, 32.8492, 40.8399, 43.8760, 45.5270, 46.7668, 46.1587, 43.4524)
dataset=data.frame(x=a,y=b)
CV.list=CVlm(df=dataset,form.lm = formula(y ~ poly(x,2)), m=5)

我得到了几乎无法提供信息的错误

Error in xy.coords(x, y, xlabel, ylabel, log) : 
'x' and 'y' lengths differ 

这对我来说没什么意义

x

和

y

的长度相同（11），因此函数显然在抱怨内部创建的一些其他

x

，

y

变量

---

我很乐意接受其他软件包的解决方案（例如

caret

）。另外，如果我能为k-折叠交叉验证指定一些重复，那就太好了。谢谢

CVlm

不喜欢公式中的

poly（x，2）

。通过将

poly（x，2）

的结果首先添加到数据表中，并对这些新变量调用

CVlm

，您可以很容易地避免这种情况：

dataset2 <- cbind(dataset,poly(dataset$x,2))
names(dataset2)[3:4] <- c("p1","p2")
CV.list=CVlm(df=dataset2,form.lm = formula(y ~ p1+p2))

---

dataset2平均MSE存储为模型对象的属性。
attributes（CV.list）$ms
为您提供所需信息
 
插入符号
的
训练
功能不是设计用来做这件事的。@topepo，哇！您是
caret
的github存储库的所有者，是吗？那么我就没有希望通过使用插入符号来解决这个问题了。真遗憾！你知道有没有其他软件包可以帮助我实现one SE规则？顺便问一下，你对DAAG的CVlm抛出的错误有什么建议吗？没有人？甚至没有帮助我理解为什么
DAAG
代码不起作用（谢谢！这就对了。我看到CVlm打印出来，可以为每个折叠筛选MSE，这是我一直在寻找的。但它实际上只是将其打印到屏幕上！它不会将其作为向量返回。你知道我如何将其存储在变量中吗？除了我当前的“粗野”滚动-屏幕-上下-复制-每个-值-创建-向量之外。@DeltaIV现在查看它
# captures the printed output
printOut <- capture.output(CV.list=CVlm(df=dataset2,form.lm = formula(y ~ p1+p2)))

# function to parse the output 
# to be adapted if necessary for your needs
GetValues <- function(itemName,printOut){
    line <- printOut[grep(itemName,printOut)]
    items <- unlist(strsplit(line,"[=]|  +"))
    itemsMat <- matrix(items,ncol=2,byrow=TRUE)
    vectVals <- as.numeric(itemsMat[grep(itemName,itemsMat[,1]),2])
    return(vectVals)
}

# get the Mean square values as a vector
MS <- GetValues("Mean square",printOut)