Попытка использовать перекрестную проверку для определения лучшей регрессионной модели из моделей разных размеров

Question

Я мог бы действительно использовать некоторую помощь.

Я пытаюсь использовать метод перекрестной проверки, чтобы найти лучшую модель.Я использовал код ссылки с этого сайта.

https://github.com/asadoughi/stat-learning/blob/master/ch6/lab.R

См. Строку 63 и далее.

Я использовал тот же код для другого набора данных, и все работало нормально.Когда я использую этот новый набор данных, я получаю ошибку

Error in plot.window(...) : need finite 'ylim' values

Ошибка появляется, когда я пытаюсь plot(mean.cv.errors).Я видел, что проблема появляется перед функцией сюжета.Средние ошибки cv не рассчитываются.Для разных предикторов я получаю средние ошибки cv как «NAN»

1   2   3   4   5   6   7   8 
NaN NaN NaN NaN NaN NaN NaN NaN 

Любое тело имеет какое-либо представление о том, что происходит?Я удалил NA из данных.И я в полной растерянности из-за того, что может происходить, поскольку тот же самый точный код работал с другим набором данных.

Вот структура данных

structure(list(tricepind = c(-0.174723355, -0.012222222, -0.197554452, 
-0.042844901, -0.288806432, -0.340831629, -0.07727797, -0.016715831, 
0.032448378, 0.223333333, -0.234205488, 0.152073733, 0.1, 0.066666667, 
-0.09843684), mkcal = c(1451.990902, 1820.887165, 2025.580287, 
1522.201067, 1296.587413, 936.4362557, 2626.190579, 1257.284695, 
1583.382929, 1736.695, 1964.600102, 3557.202041, 1682.712691, 
2025.962999, 2286.300483), mprot = c(82.15660833, 79.896551, 
70.76528433, 68.026405, 40.859294, 45.39550133, 96.65918833, 
82.80520367, 82.48830233, 76.22586667, 92.65016433, 164.821377, 
67.04030333, 82.30652767, 59.10089967), mcarb = c(144.6609883, 
207.803092, 301.791884, 154.252719, 192.215434, 125.836917, 326.8027877, 
117.3693597, 151.8666383, 226.6798, 246.8333723, 455.0111473, 
217.4003043, 209.0277287, 254.0715917), mtfat = c(64.452471, 
73.34697467, 37.79965033, 72.50962033, 38.87718467, 31.354984, 
111.493208, 56.441886, 73.22733933, 56.61331667, 67.261771, 121.9704157, 
55.08478833, 94.518705, 100.8741383), PC1 = c(-0.447910206, -0.294634121, 
-1.104462969, -0.547207734, -1.954444086, -2.196982329, 2.746913539, 
-1.023090581, -0.764200454, -0.584591205, 0.77843409, 5.614654485, 
-0.999691479, 0.279942766, 0.896578187), PC2 = c(-0.642332236, 
0.049369806, -0.216059532, 1.160722893, 1.078477828, -0.150613681, 
1.895259257, -1.909344827, 1.644354816, 1.614658854, 0.433529118, 
-1.669928792, -0.560657387, -1.145066836, 1.866870422), PC3 = c(-0.451625917, 
-0.772244866, 1.06416389, -0.408526673, 0.337918493, -0.254740649, 
1.480378587, 0.583072925, -1.619576656, -1.637944088, -0.430379578, 
-0.512822799, 2.018634475, 0.26331773, 3.128258848), PC4 = c(-0.968856054, 
0.16683708, 0.914246075, -0.219132873, 0.670302106, 0.368790712, 
0.642579887, -1.921774612, 0.016672151, 1.765303371, 0.683175144, 
0.884292702, -0.388954363, -1.532636673, -1.199798116)), class = "data.frame", row.names = c(NA, 
-15L))

Вот код, с которым я работал.

usdtricepby6predictors <- read.csv("usdtricepby8predictors2.csv", header = TRUE, na.strings = ".", stringsAsFactors = FALSE)
usdtricepby6predictors <- na.omit(usdtricepby6predictors)
usdtricepby6predictors <- sapply(usdtricepby6predictors, as.numeric)
usdtricepby6predictors <- as.data.frame(usdtricepby6predictors)

  predict.regsubsets=function(object,newdata,id,...){ #predic function
  form=as.formula(object$call[[2]]) ## extract formula
  mat=model.matrix(form,newdata)
  coefi=coef(object,id=id)
  xvars=names(coefi)
  mat[,xvars]%*%coefi
}

k=10
set.seed(1)
folds=sample(1:k,nrow(usdtricepby6predictors),replace=TRUE)
cv.errors=matrix(NA,k,8, dimnames=list(NULL, paste(1:8)))

for(j in 1:k) { 
  best.fit=regsubsets(tricepind~.,data=usdtricepby6predictors[folds!=j,], nvmax=8)
  for(i in 1:8){
    pred=predict(best.fit,usdtricepby6predictors[folds==j,],id=i)
    cv.errors[j,i]=mean((usdtricepby6predictors$tricepind[folds==j]-pred)^2)
  }
}

mean.cv.errors=apply(cv.errors,2,mean) 
mean.cv.errors

par(mfrow=c(1,1))
plot(mean.cv.errors,type='b')
points(which.min(mean.cv.errors),mean.cv.errors[which.min(mean.cv.errors)],
       col="red",cex=2,pch=20)

reg.best=regsubsets(tricepind~.,data=usdtricepby6predictors,nvmax=8)
coef(reg.best,which.min(mean.cv.errors))