拓端tecdat|R語(yǔ)言彈性網(wǎng)絡(luò)Elastic Net正則化懲罰回歸模型交叉驗(yàn)證可視化
原文鏈接：http://tecdat.cn/?p=26158
原文出處：拓端數(shù)據(jù)部落公眾號(hào)
彈性網(wǎng)絡(luò)正則化同時(shí)應(yīng)用 L1 范數(shù)和 L2 范數(shù)正則化來(lái)懲罰回歸模型中的系數(shù)。為了在 R 中應(yīng)用彈性網(wǎng)絡(luò)正則化。在?LASSO回歸中，我們?yōu)?alpha 參數(shù)設(shè)置一個(gè) '1' 值，并且在 嶺回歸中，我們將 '0' 值設(shè)置為其 alpha 參數(shù)。彈性網(wǎng)絡(luò)在 0 到 1 的范圍內(nèi)搜索最佳 alpha 參數(shù)。在這篇文章中，我們將學(xué)習(xí)如何在 R 中應(yīng)用彈性網(wǎng)絡(luò)正則化。
首先，我們將為本教程創(chuàng)建測(cè)試數(shù)據(jù)集。
df <- data.frame(a,b,c,z)x <- as.matrix(df)[,-4]
for (i in 1:length(alpha))
{
bst$mse <- c(bet$mse, min(cg$cm))
}
inx <- which(bst$mse==min(bst$mse))
betlha <- bs$a[inex]
be_mse <- bst$mse[inex]
接下來(lái)，我們?cè)俅问褂米罴?alpha 進(jìn)行交叉驗(yàn)證以獲得 lambda（收縮水平）。
?
elacv <- cv(x, v)bestbda <- elacv$lambda.min
?
現(xiàn)在，我們可以使用函數(shù)擬合具有最佳 alpha 和 lambda 值的模型。
?
coef(elamod)
最后，我們可以使用模型預(yù)測(cè)測(cè)試數(shù)據(jù)并計(jì)算 RMSE、R 平方和 MSE 值。
?
predict(elasod, x)cat(" RMSE:", rmse, "\n", "R-squared:", R2, "\n", "MSE:", mse)
最受歡迎的見解
1.R語(yǔ)言多元Logistic邏輯回歸 應(yīng)用案例
2.面板平滑轉(zhuǎn)移回歸(PSTR)分析案例實(shí)現(xiàn)
3.matlab中的偏最小二乘回歸（PLSR）和主成分回歸（PCR）
4.R語(yǔ)言泊松Poisson回歸模型分析案例
5.R語(yǔ)言回歸中的Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)
6.r語(yǔ)言中對(duì)LASSO回歸，Ridge嶺回歸和Elastic Net模型實(shí)現(xiàn)
7.在R語(yǔ)言中實(shí)現(xiàn)Logistic邏輯回歸
8.python用線性回歸預(yù)測(cè)股票價(jià)格
9.R語(yǔ)言如何在生存分析與Cox回歸中計(jì)算IDI，NRI指標(biāo)
