Extracts estimated coefficients from linear and logistic regression, under the penalty parameter that minimises the cross-validated loss.

# S3 method for cornet
coef(object, ...)

Arguments

object

cornet object

...

further arguments (not applicable)

Value

This function returns a matrix with \(n\) rows and two columns, where \(n\) is the sample size. It includes the estimated coefficients from linear regression (1st column, "beta") and logistic regression (2nd column, "gamma").

Examples

n <- 100; p <- 200 y <- rnorm(n) X <- matrix(rnorm(n*p),nrow=n,ncol=p) net <- cornet(y=y,cutoff=0,X=X)
#> Warning: Multiple!
coef(net)
#> 201 x 2 sparse Matrix of class "dgCMatrix" #> beta gamma #> (Intercept) 0.0707892 0.1797754 #> V1 . . #> V2 . . #> V3 . . #> V4 . . #> V5 . . #> V6 . . #> V7 . . #> V8 . . #> V9 . . #> V10 . . #> V11 . . #> V12 . . #> V13 . . #> V14 . . #> V15 . . #> V16 . . #> V17 . . #> V18 . . #> V19 . . #> V20 . . #> V21 . . #> V22 . . #> V23 . . #> V24 . . #> V25 . . #> V26 . . #> V27 . . #> V28 . . #> V29 . . #> V30 . . #> V31 . . #> V32 . . #> V33 . . #> V34 . . #> V35 . . #> V36 . . #> V37 . . #> V38 . . #> V39 . . #> V40 . . #> V41 . . #> V42 . . #> V43 . . #> V44 . . #> V45 . . #> V46 . . #> V47 . . #> V48 . . #> V49 . . #> V50 . . #> V51 . . #> V52 . . #> V53 . . #> V54 . . #> V55 . . #> V56 . . #> V57 . . #> V58 . . #> V59 . . #> V60 . . #> V61 . . #> V62 . . #> V63 . . #> V64 . . #> V65 . . #> V66 . . #> V67 . . #> V68 . . #> V69 . . #> V70 . . #> V71 . . #> V72 . . #> V73 . . #> V74 . . #> V75 . . #> V76 . . #> V77 . . #> V78 . . #> V79 . . #> V80 . . #> V81 . . #> V82 . . #> V83 . . #> V84 . . #> V85 . . #> V86 . . #> V87 . . #> V88 . . #> V89 . . #> V90 . . #> V91 . . #> V92 . . #> V93 . . #> V94 . . #> V95 . . #> V96 . . #> V97 . . #> V98 . . #> V99 . . #> V100 . . #> V101 . . #> V102 . . #> V103 . . #> V104 . . #> V105 . . #> V106 . . #> V107 . . #> V108 . . #> V109 . . #> V110 . . #> V111 . . #> V112 . . #> V113 . . #> V114 . . #> V115 . . #> V116 . . #> V117 . . #> V118 . . #> V119 . . #> V120 . . #> V121 . . #> V122 . . #> V123 . . #> V124 . . #> V125 . . #> V126 . . #> V127 . . #> V128 . . #> V129 . . #> V130 . . #> V131 . . #> V132 . . #> V133 . . #> V134 . . #> V135 . . #> V136 . . #> V137 . . #> V138 . . #> V139 . . #> V140 . . #> V141 . . #> V142 . . #> V143 . . #> V144 . . #> V145 . . #> V146 . . #> V147 . . #> V148 . . #> V149 . . #> V150 . . #> V151 . . #> V152 . . #> V153 . . #> V154 . . #> V155 . . #> V156 . . #> V157 . . #> V158 . . #> V159 . . #> V160 . 0.2296369 #> V161 . . #> V162 . . #> V163 . . #> V164 . . #> V165 . . #> V166 . . #> V167 . . #> V168 . . #> V169 . . #> V170 . . #> V171 . . #> V172 . . #> V173 . . #> V174 . . #> V175 . . #> V176 . . #> V177 . . #> V178 . . #> V179 . . #> V180 . . #> V181 . . #> V182 . . #> V183 . . #> V184 . . #> V185 . . #> V186 . . #> V187 . . #> V188 . . #> V189 . . #> V190 . . #> V191 . . #> V192 . . #> V193 . . #> V194 . . #> V195 . . #> V196 . . #> V197 . . #> V198 . . #> V199 . . #> V200 . -0.0640594