Extracts estimated coefficients from linear and logistic regression, under the penalty parameter that minimises the cross-validated loss.
# S3 method for cornet coef(object, ...)
object | cornet object |
---|---|
... | further arguments (not applicable) |
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"
).
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