L'objet ne trouve pas d'erreur lors du passage de modèle de la formule à une autre fonction

J'ai un problème bizarre avec R que je n'arrive pas à travailler.

J'ai essayé d'écrire une fonction qui effectue la K-fold cross validation d'un modèle choisi par la procédure pas à pas, dans l'arrêt R. (je suis conscient des problèmes avec la progressive des procédures, c'est purement à des fins de comparaison) 🙂

Maintenant la question est, que si j'définir les paramètres de la fonction (linmod,k,direction) et d'exécuter le contenu de la fonction, il fonctionne parfaitement. MAIS, si je le lance en tant que fonction, j'obtiens un message d'erreur indiquant que les données.le train de l'objet ne peut pas être trouvé.

J'ai essayé de marcher à travers la fonction de débogage() et que l'objet existe à l'évidence, mais R dit qu'il ne la pas quand je fait de l'exécution de la fonction. Si je viens de l'ajustement d'un modèle à l'aide de lm (), qui fonctionne bien, donc je crois que c'est un problème avec la fonction step dans la boucle, tandis que l'intérieur d'une fonction. (essayez de commenter la commande de l'étape, et de définir les prédictions de ceux de l'ordinaire du modèle linéaire.)

#CREATE A LINEAR MODEL TO TEST FUNCTION
lm.cars <- lm(mpg~.,data=mtcars,x=TRUE,y=TRUE)
#THE FUNCTION
cv.step <- function(linmod,k=10,direction="both"){
response <- linmod$y
dmatrix <- linmod$x
n <- length(response)
datas <- linmod$model
form <- formula(linmod$call)
# generate indices for cross validation
rar <- n/k
xval.idx <- list()
s <- sample(1:n, n) # permutation of 1:n
for (i in 1:k) {
xval.idx[[i]] <- s[(ceiling(rar*(i-1))+1):(ceiling(rar*i))]
}
#error calculation
errors <- R2 <- 0
for (j in 1:k){
datas.test <- datas[xval.idx[[j]],]
datas.train <- datas[-xval.idx[[j]],]
test.idx <- xval.idx[[j]]
#THE MODELS+
lm.1 <- lm(form,data= datas.train)
lm.step <- step(lm.1,direction=direction,trace=0)
step.pred <- predict(lm.step,newdata= datas.test)
step.error <- sum((step.pred-response[test.idx])^2)
errors[j] <- step.error/length(response[test.idx])
SS.tot <- sum((response[test.idx] - mean(response[test.idx]))^2)
R2[j] <- 1 - step.error/SS.tot
}
CVerror <- sum(errors)/k
CV.R2 <-  sum(R2)/k
res <- list()
res$CV.error <- CVerror
res$CV.R2 <- CV.R2
return(res)
}
#TESTING OUT THE FUNCTION
cv.step(lm.cars)

Toutes les pensées?