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。
1.
2. df <- data.frame(a,b,c,z)
3.
4. x <- as.matrix(df)[,-4]
5.
6. for (i in 1:length(alpha))
7. {
8.
9. bst$mse <- c(bet$mse, min(cg$cm))
10. }
11.
12. inx <- which(bst$mse==min(bst$mse))
13. betlha <- bs$a[inex]
14. be_mse <- bst$mse[inex]
接下来,我们再次使用最佳 alpha 进行交叉验证以获得 lambda(收缩水平)。
1. elacv <- cv(x, v)
2.
3.
4.
5. bestbda <- elacv$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。
1. predict(elasod, x)
2.
3.
4. cat(" RMSE:", rmse, "\n", "R-squared:", R2, "\n", "MSE:", mse)
5.