文章图片 ##用10折CV进行岭回归 ##类型 。 度量:用于交叉验证的损失 。 type.measure = "deviance", ## K = 10 是默认值 。 nfold = 10, ## 多项式回归 ## ‘alpha = 1’ 是套...

文章图片

1. ##用10折CV进行岭回归
2. ##类型 。 度量:用于交叉验证的损失 。
3. type.measure = "deviance",
4. ## K = 10 是默认值 。
5. nfold = 10,
6. ## 多项式回归
7. ## ‘alpha = 1’ 是套索惩罚 ， 'alpha=0'是岭惩罚 。
8. alpha = 0)
9. ## 惩罚vs CV MSE图

文章图片

## 在误差最小λ处lambda.min
【模型|拓端tecdat|R语言自适应LASSO 多项式回归、二元逻辑回归和岭回归应用分析】## [1] 0.03488898

1. ## s：需要进行预测的惩罚参数“lambda”的值 。 默认值是用于创建模型的整个序列 。
2. coef(ridge3_cv, s = lambda.min))
3. ## 31 x 1 sparse Matrix of class "dgCMatrix"
4. ## 1
5. ## (Intercept) 0.1718290283
6. ## V1 0.1148574142
7. ## V2 0.5068431000
8. ## V3 -0.3384649794
9. ## V4 -0.8634050979
10. ## V5 -0.3141436782
11. ## V6 -0.6956355852
12. ## V7 0.0798900376
13. ## V8 -0.5167458568
14. ## V9 0.5193890584
15. ## V10 -1.0182682093
16. ## V11 -0.2077506627
17. ## V12 -0.2218540968
18. ## V13 -0.1638673635
19. ## V14 0.1370473811
20. ## V15 0.0388320169
21. ## V16 0.3621440665
22. ## V17 -0.1226309533
23. ## V18 -0.1492504287
24. ## V19 -0.0497939458
25. ## V20 -0.2024006258
26. ## V21 0.0006531455
27. ## V22 0.2456970018
28. ## V23 0.4333057414
29. ## V24 -0.1769632495
30. ## V25 0.5320062623
31. ## V26 -0.3875044960
32. ## V27 -0.2157079430
33. ## V28 0.3337625633
34. ## V29 -0.2659968175
35. ## V30 0.1601149964
36. ## 截距估计应该取消 。
37. (best_ridge_coef3)[-1]
38. ##执行自适应套索
39. ## 多项式回归
40. family = "binomial",
41. ## “alpha=1”是套索惩罚 ， “alpha=0”是岭惩罚 。
42. alpha = 1,

文章图片

1. ## 使用10折CV执行自适应套索
2. ## 类型 。 度量:用于交叉验证的损失 。
3. ##惩罚vs CV MSE图
4. plot(alasso3_cv)

文章图片

1. ## 在误差最小λ处提取系数
2. lambda.min

## [1] 0.5438827

1. ## s：需要进行预测的惩罚参数“lambda”的值 。 默认值是用于创建模型的整个序列 。
2. coef(cv, s = lambda.min)
3. ## 31 x 1 sparse Matrix of class "dgCMatrix"
4. ## 1
5. ## (Intercept) 0.19932789
6. ## V1 .
7. ## V2 0.69081709
8. ## V3 -0.48062268
9. ## V4 -1.21628612
10. ## V5 .
11. ## V6 -1.01918155
12. ## V7 .
13. ## V8 -0.48394892
14. ## V9 0.79804285
15. ## V10 -1.49657785
16. ## V11 .
17. ## V12 .
18. ## V13 .
19. ## V14 .
20. ## V15 .
21. ## V16 0.19759191
22. ## V17 .
23. ## V18 .
24. ## V19 .
25. ## V20 .
26. ## V21 .
27. ## V22 0.04668665
28. ## V23 0.24445410
29. ## V24 .
30. ## V25 0.57951934
31. ## V26 -0.21844124
32. ## V27 .
33. ## V28 0.07144777
34. ## V29 -0.04682770
35. ## V30 .

绘制ROC曲线

1. ## 提取预测概率和观察结果 。
2. pY <- as.(predict(alasso3, newx = x_bin, s = lambda.min, type = "response"))
3. ##
4. ## 用AUC和阈值绘制ROC曲线
5. plot(roc1)

文章图片

交叉验证测试集AUC

1. lapply(unique(foldid), function(id)
2. ## 拟合排除测试集 (foldid == id)
3. ## 使用模型拟合最佳lambda测试集Y?hat
4. y_pred <- (predict(fit, newx = x_bin[foldid == id], s = lambda.min)
   • 上一页
   • 2
   • 3
   • 4
   • 5
   • 6
   • 7
   • 下一页

   特别声明：本站内容均来自网友提供或互联网，仅供参考，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。