在R中使用机器学习生成公式~. ,data,.表示什么例如
~. ,data,
.
fit <- svm(factor(outcome)~., data= train, probability= T) pre <- predict(fit, test, decision.value= T, probability= T)
3vpjnl9f1#
点表示“其他所有内容”。即,假设数据集具有变量x、y和z,则y~.将转换为y ~ x + z
y~.
y ~ x + z
6ss1mwsb2#
帮助页面(?formula)可以提供一些关于.解释的信息:公式中的.有两种特殊的解释。通常的解释是在模型拟合函数的数据参数上下文中,表示“公式中没有的所有列”:请参阅terms.formula。仅在update.formula的上下文中,它表示"公式的此部分中以前的内容“。但是,请注意reshape和reshape2包使用.的方式不同:?cast有几个特殊变量:“...”表示公式中未使用的所有其他变量,“.”表示无变量
?formula
reshape
reshape2
?cast
x6yk4ghg3#
它表示数据集中存在的“所有其他变量”。
nr7wwzry4#
这里(.)表示其他所有内容。假设强数据集有四个变量,分别为年龄、身高、体重和力量。这里力量是响应变量。现在我们要创建一个线性模型,其中力量是响应变量,其他三个因素是相关的。现在,如果我们可以将模型写为:模型= lm(强度~身高+体重+年龄,数据= Strong)这个模型可以很快写出,模型= lm(强度~.,数据=强)
4条答案
按热度按时间3vpjnl9f1#
点表示“其他所有内容”。即,假设数据集具有变量x、y和z,则
y~.
将转换为y ~ x + z
6ss1mwsb2#
帮助页面(
?formula
)可以提供一些关于.
解释的信息:公式中的.有两种特殊的解释。通常的解释是在模型拟合函数的数据参数上下文中,表示“公式中没有的所有列”:请参阅terms.formula。仅在update.formula的上下文中,它表示"公式的此部分中以前的内容“。
但是,请注意
reshape
和reshape2
包使用.
的方式不同:?cast
有几个特殊变量:“...”表示公式中未使用的所有其他变量,“.”表示无变量
x6yk4ghg3#
它表示数据集中存在的“所有其他变量”。
nr7wwzry4#
这里(.)表示其他所有内容。假设强数据集有四个变量,分别为年龄、身高、体重和力量。这里力量是响应变量。现在我们要创建一个线性模型,其中力量是响应变量,其他三个因素是相关的。现在,如果我们可以将模型写为:
模型= lm(强度~身高+体重+年龄,数据= Strong)这个模型可以很快写出,
模型= lm(强度~.,数据=强)