插入符号（R）中summary（）和print（）有什么区别

Question

在R中的插入符号包中的建模上下文中，summary（）和print（）函数之间有什么区别？在这里，对于包含4个成分的28.52％或21.4％的模型，方差到底是什么？

> summary(model)
Data:   X dimension: 261 130 
    Y dimension: 261 1
Fit method: oscorespls
Number of components considered: 4
TRAINING: % variance explained
          1 comps  2 comps  3 comps  4 comps
X         90.1526    92.91    94.86    96.10
.outcome   0.8772    17.17    23.99    28.52

vs

> print(model)
Partial Least Squares 

261 samples
130 predictors

No pre-processing
Resampling: Cross-Validated (5 fold, repeated 50 times) 
Summary of sample sizes: 209, 209, 209, 208, 209, 209, ... 
Resampling results across tuning parameters:

  ncomp  RMSE      Rsquared    MAE     
  1      5.408986  0.03144022  4.129525
  2      5.124799  0.14263362  3.839493
  3      4.976591  0.19114791  3.809596
  4      4.935419  0.21415260  3.799365
  5      5.054086  0.19887704  3.886382

RMSE was used to select the optimal model using the smallest value.
The final value used for the model was ncomp = 4.

Answer 1

有两个组成部分，第一个是您拟合/训练的模型类型，由于使用了偏最小二乘回归，summary（model）返回有关插入符号选择的最佳模型的信息。

library(caret)
library(pls)

model = train(mpg ~ .,data=mtcars,
trControl=trainControl(method="cv",number=5),
method="pls")

Partial Least Squares 

32 samples
10 predictors

No pre-processing
Resampling: Cross-Validated (5 fold) 
Summary of sample sizes: 25, 27, 26, 24, 26 
Resampling results across tuning parameters:

  ncomp  RMSE      Rsquared   MAE     
  1      3.086051  0.8252487  2.571524
  2      3.129871  0.8122175  2.650973
  3      3.014511  0.8582197  2.519962

RMSE was used to select the optimal model using the smallest value.
The final value used for the model was ncomp = 3.

[执行print(model)时，您正在查看训练模型并选择最佳参数的结果。使用pls，您可以选择组件的数量，这是从caret开始的，对于其他方法，外观可能相同。在上面，测试了具有1,2,3个组件的模型，并选择了具有3个组件的模型，因为它具有最小的RMSE。存储的最终模型是在model $ finalModel下，您可以查看它：

class(model$finalModel)
[1] "mvr"

pls:::summary.mvr(model$finalModel)
Data:   X dimension: 32 10 
    Y dimension: 32 1
Fit method: oscorespls
Number of components considered: 3
TRAINING: % variance explained
          1 comps  2 comps  3 comps
X           92.73    99.98    99.99
.outcome    74.54    74.84    83.22

从上面，您可以看到从软件包pls中调用的摘要函数，该函数特定于这种类型的模型，下面的summary（model）为您提供相同的输出：

summary(model)
Data:   X dimension: 32 10 
    Y dimension: 32 1
Fit method: oscorespls
Number of components considered: 3
TRAINING: % variance explained
          1 comps  2 comps  3 comps
X           92.73    99.98    99.99
.outcome    74.54    74.84    83.22

partial least sqaure regression类似于主成分分析，不同之处在于分解（或降维）是在tranpose（X）* Y上完成的，并且这些成分称为潜变量。因此，在摘要中，您看到的是X（所有预测变量）和.outcome（您的因变量）中的方差比例，它们由潜在变量解释。