原文鏈接：http://tecdat.cn/?p=25158

最近我們被客戶要求撰寫(xiě)關(guān)于lasso的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。

本文介紹具有分組懲罰的線性回歸、GLM和Cox回歸模型的正則化路徑。這包括組選擇方法，如組lasso套索、組MCP和組SCAD，以及雙級(jí)選擇方法，如組指數(shù)lasso、組MCP

還提供了進(jìn)行交叉驗(yàn)證以及擬合后可視化、總結(jié)和預(yù)測(cè)的實(shí)用程序。

本文提供了一些數(shù)據(jù)集的例子；涉及識(shí)別與低出生體重有關(guān)的風(fēng)險(xiǎn)因素?（?查看文末了解數(shù)據(jù)獲取方式?）?。結(jié)果是連續(xù)測(cè)量（bwt，以公斤為單位的出生體重），也可以是二分法（低），即新生兒出生體重低（低于2.5公斤）。

相關(guān)視頻

**

拓端

，贊9

原始設(shè)計(jì)矩陣由 8 個(gè)變量組成，此處已將其擴(kuò)展為 16 個(gè)特征。例如，有多個(gè)種族指標(biāo)函數(shù)（“其他”是參考組），并且已經(jīng)使用多項(xiàng)式對(duì)比擴(kuò)展了幾個(gè)連續(xù)因素（例如年齡）（樣條曲線會(huì)給出類(lèi)似的結(jié)構(gòu)）。因此，設(shè)計(jì)矩陣的列被?分組；這就是_組_的設(shè)計(jì)目的。分組信息編碼如下：

在這里，組是作為一個(gè)因子給出的；唯一的整數(shù)代碼（本質(zhì)上是無(wú)標(biāo)簽的因子）和字符向量也是允許的（然而，字符向量確實(shí)有一些限制，因?yàn)榻M的順序沒(méi)有被指定）。要對(duì)這個(gè)數(shù)據(jù)擬合一個(gè)組套索lasso模型。

然后我們可以用以下方法繪制系數(shù)路徑

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語(yǔ)言實(shí)現(xiàn)貝葉斯分位數(shù)回歸、lasso和自適應(yīng)lasso貝葉斯分位數(shù)回歸分析

左右滑動(dòng)查看更多

01

02

03

04

請(qǐng)注意，當(dāng)一個(gè)組進(jìn)入模型時(shí)（例如，綠色組），它的所有系數(shù)都變成非零；這就是組套索模型的情況。要想知道這些系數(shù)是什么，我們可以使用coef。

請(qǐng)注意，在λ=0.05時(shí)，醫(yī)生的就診次數(shù)不包括在模型中。

為了推斷模型在各種 λ值下的預(yù)測(cè)準(zhǔn)確性，進(jìn)行交叉驗(yàn)證。

可以通過(guò)coef以下方式獲得與最小化交叉驗(yàn)證誤差的 λ?值對(duì)應(yīng)的系數(shù)?：

預(yù)測(cè)值可以通過(guò) 獲得?predict，它有許多選項(xiàng)：

原始擬合（對(duì)完整數(shù)據(jù)集）返回為fit; 其他幾種懲罰是可用的，邏輯回歸和 Cox 比例風(fēng)險(xiǎn)回歸的方法也是如此。

本文摘選?《?R語(yǔ)言群組變量選擇、組懲罰group lasso套索模型預(yù)測(cè)分析新生兒出生體重風(fēng)險(xiǎn)因素?cái)?shù)據(jù)和交叉驗(yàn)證、可視化?》?，點(diǎn)擊“閱讀原文”獲取全文完整資料。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

【視頻】Lasso回歸、嶺回歸等正則化回歸數(shù)學(xué)原理及R語(yǔ)言實(shí)例R語(yǔ)言Lasso回歸模型變量選擇和糖尿病發(fā)展預(yù)測(cè)模型
用LASSO，adaptive LASSO預(yù)測(cè)通貨膨脹時(shí)間序列MATLAB用Lasso回歸擬合高維數(shù)據(jù)和交叉驗(yàn)證
群組變量選擇、組懲罰group lasso套索模型預(yù)測(cè)新生兒出生體重風(fēng)險(xiǎn)因素?cái)?shù)據(jù)和交叉驗(yàn)證、可視化
高維數(shù)據(jù)懲罰回歸方法：主成分回歸PCR、嶺回歸、lasso、彈性網(wǎng)絡(luò)elastic net分析基因數(shù)據(jù)
Python高維變量選擇:SCAD平滑剪切絕對(duì)偏差懲罰、Lasso懲罰函數(shù)比較
R使用LASSO回歸預(yù)測(cè)股票收益
廣義線性模型glm泊松回歸的lasso、彈性網(wǎng)絡(luò)分類(lèi)預(yù)測(cè)學(xué)生考試成績(jī)數(shù)據(jù)和交叉驗(yàn)證
貝葉斯分位數(shù)回歸、lasso和自適應(yīng)lasso貝葉斯分位數(shù)回歸分析免疫球蛋白、前列腺癌數(shù)據(jù)
R語(yǔ)言RSTAN MCMC：NUTS采樣算法用LASSO 構(gòu)建貝葉斯線性回歸模型分析職業(yè)聲望數(shù)據(jù)
r語(yǔ)言中對(duì)LASSO回歸，Ridge嶺回歸和彈性網(wǎng)絡(luò)Elastic Net模型實(shí)現(xiàn)
R語(yǔ)言高維數(shù)據(jù)懲罰回歸方法：主成分回歸PCR、嶺回歸、lasso、彈性網(wǎng)絡(luò)elastic net分析基因數(shù)據(jù)（含練習(xí)題）
廣義線性模型glm泊松回歸的lasso、彈性網(wǎng)絡(luò)分類(lèi)預(yù)測(cè)學(xué)生考試成績(jī)數(shù)據(jù)和交叉驗(yàn)證
貝葉斯分位數(shù)回歸、lasso和自適應(yīng)lasso貝葉斯分位數(shù)回歸分析免疫球蛋白、前列腺癌數(shù)據(jù)
R語(yǔ)言RSTAN MCMC：NUTS采樣算法用LASSO 構(gòu)建貝葉斯線性回歸模型分析職業(yè)聲望數(shù)據(jù)
r語(yǔ)言中對(duì)LASSO回歸，Ridge嶺回歸和彈性網(wǎng)絡(luò)Elastic Net模型實(shí)現(xiàn)
R語(yǔ)言高維數(shù)據(jù)懲罰回歸方法：主成分回歸PCR、嶺回歸、lasso、彈性網(wǎng)絡(luò)elastic net分析基因數(shù)據(jù)（含練習(xí)題）
Python中LARS和Lasso回歸之最小角算法Lars分析波士頓住房數(shù)據(jù)實(shí)例
R語(yǔ)言自適應(yīng)LASSO 多項(xiàng)式回歸、二元邏輯回歸和嶺回歸應(yīng)用分析
R語(yǔ)言懲罰logistic邏輯回歸（LASSO,嶺回歸）高維變量選擇的分類(lèi)模型案例
Python中的Lasso回歸之最小角算法LARS
r語(yǔ)言中對(duì)LASSO回歸，Ridge嶺回歸和彈性網(wǎng)絡(luò)Elastic Net模型實(shí)現(xiàn)
R語(yǔ)言實(shí)現(xiàn)LASSO回歸——自己編寫(xiě)LASSO回歸算法
r語(yǔ)言中對(duì)LASSO回歸，Ridge嶺回歸和Elastic Net模型實(shí)現(xiàn)
R使用LASSO回歸預(yù)測(cè)股票收益
R語(yǔ)言如何和何時(shí)使用glmnet嶺回歸
R語(yǔ)言中的嶺回歸、套索回歸、主成分回歸：線性模型選擇和正則化
Python中的ARIMA模型、SARIMA模型和SARIMAX模型對(duì)時(shí)間序列預(yù)測(cè)
R語(yǔ)言arima，向量自回歸（VAR），周期自回歸(PAR)模型分析溫度時(shí)間序列
【視頻】Python和R語(yǔ)言使用指數(shù)加權(quán)平均(EWMA)，ARIMA自回歸移動(dòng)平均模型預(yù)測(cè)時(shí)間序列
Python用ARIMA和SARIMA模型預(yù)測(cè)銷(xiāo)量時(shí)間序列數(shù)據(jù)