R语言弹性网络Elastic Net正则化惩罚回归模型交叉验证可视化

原文链接：http://tecdat.cn/?p=26158

原文出处：拓端数据部落公众号

弹性网络正则化同时应用 L1 范数和 L2 范数正则化来惩罚回归模型中的系数。为了在 R 中应用弹性网络正则化。在 LASSO回归中，我们为 alpha 参数设置一个 '1' 值，并且在 岭回归中，我们将 '0' 值设置为其 alpha 参数。弹性网络在 0 到 1 的范围内搜索最佳 alpha 参数。在这篇文章中，我们将学习如何在 R 中应用弹性网络正则化。

首先，我们将为本教程创建测试数据集。

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]

接下来，我们再次使用最佳 alpha 进行交叉验证以获得 lambda（收缩水平）。

elacv <- cv(x, v)



bestbda <- elacv$lambda.min

现在，我们可以使用函数拟合具有最佳 alpha 和 lambda 值的模型。

coef(elamod)

最后，我们可以使用模型预测测试数据并计算 RMSE、R 平方和 MSE 值。

predict(elasod, x)


cat(" RMSE:", rmse, "\n", "R-squared:", R2, "\n", "MSE:", mse)

最受欢迎的见解

1.R语言多元Logistic逻辑回归 应用案例

2.面板平滑转移回归(PSTR)分析案例实现

3.matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）

4.R语言泊松Poisson回归模型分析案例

5.R语言回归中的Hosmer-Lemeshow拟合优度检验

6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现

7.在R语言中实现Logistic逻辑回归

8.python用线性回归预测股票价格

9.R语言如何在生存分析与Cox回归中计算IDI，NRI指标