Extracts estimated coefficients from linear and logistic regression, under the penalty parameter that minimises the cross-validated loss.
# S3 method for class 'cornet'
coef(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)
#> Multiple minima.
#> Multiple minima.
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