Modèle linéaire R (lm) prédire la fonction avec un seul tableau

Question

J'ai un modèle lm dans R que j'ai formé et sérialisé. A l'intérieur d'une fonction, où je passe en entrée le modèle et un vecteur caractéristique (un seul tableau), j'ai:

CREATE OR REPLACE FUNCTION lm_predict(
    feat_vec float[], 
    model bytea 
) 
RETURNS float 
AS 
$$ 
    #R-code goes here. 
    mdl <- unserialize(model) 
    # class(feat_vec) outputs "array" 
    y_hat <- predict.lm(mdl, newdata = as.data.frame.list(feat_vec)) 
    return (y_hat) 
$$ LANGUAGE 'plr'; 

Cela retourne le mauvais y_hat !! Je sais cela parce que cette autre solution fonctionne (les entrées de cette fonction sont toujours le modèle (dans un bytearray) et un feat_vec (tableau)):

CREATE OR REPLACE FUNCTION lm_predict(
    feat_vec float[], 
    model bytea 
) 
RETURNS float 
AS 
$$ 
    #R-code goes here. 
    mdl <- unserialize(model) 
    coef = mdl$coefficients 
    y_hat = coef[1] + as.numeric(coef[-1]%*%feat_vec) 
    return (y_hat) 
$$ LANGUAGE 'plr'; 

Qu'est-ce que je fais mal ?? C'est le même modèle non sérialisé, la première option devrait me donner la bonne réponse aussi ...

Answer 1

Le problème semble être l'utilisation de newdata = as.data.frame.list(feat_vec). Comme discuté dans votre previous question, cela renvoie des noms de colonne laids. Lorsque vous appelez predict, newdata doit avoir des noms de colonne cohérents avec les noms covariants dans votre formule de modèle. Vous devriez recevoir un message d'avertissement lorsque vous appelez .

## example data 
set.seed(0) 
x1 <- runif(20) 
x2 <- rnorm(20) 
y <- 0.3 * x1 + 0.7 * x2 + rnorm(20, sd = 0.1) 

## linear model 
model <- lm(y ~ x1 + x2) 

## new data 
feat_vec <- c(0.4, 0.6) 
newdat <- as.data.frame.list(feat_vec) 
# X0.4 X0.6 
#1 0.4 0.6 

## prediction 
y_hat <- predict.lm(model, newdata = newdat) 
#Warning message: 
#'newdata' had 1 row but variables found have 20 rows 

Qu'est-ce que vous avez besoin est

newdat <- as.data.frame.list(feat_vec, 
          col.names = attr(model$terms, "term.labels")) 
# x1 x2 
#1 0.4 0.6 

y_hat <- predict.lm(model, newdata = newdat) 
#  1 
#0.5192413 

Ceci est la même chose que ce que vous pouvez calculer manuellement:

coef = model$coefficients 
unname(coef[1] + sum(coef[-1] * feat_vec)) 
#[1] 0.5192413