Untersuche Strafwerte der Lasso-Regression
In der vorherigen Übung hast du den gesamten Code abgeschlossen, um Ziel- und Prädiktorvariablen zu skalieren. Du verwendest die Daten train und das lasso_recipe, um einen Workflow zu erstellen, der ein Lasso-Regressionsmodell trainiert und die Auswirkungen verschiedener Strafwerte untersucht. Während du die Strafe anpasst und das Modell neu trainierst, achte auf die Anzahl der verbleibenden Variablen mit von null verschiedenen Koeffizienten. So beobachtest du, wie die Lasso-Regression eine Merkmalsauswahl vornimmt.
Die Pakete tidyverse und tidymodels wurden für dich geladen.
Diese Übung ist Teil des Kurses
Dimensionsreduktion in R
Anleitung zur Übung
- Trainiere einen Lasso-Regression-Workflow mit einer Strafe von 0,001 und zeige die Modellkoeffizienten an, die größer als null sind.
- Trainiere den Lasso-Regression-Workflow erneut mit einer Strafe von 0,01 und zeige die Modellkoeffizienten an, die größer als null sind.
- Trainiere den Lasso-Regression-Workflow erneut mit einer Strafe von 0,1 und zeige die Modellkoeffizienten an, die größer als null sind.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Train workflow model with penalty = 0.001 and view model variables
lasso_model <- linear_reg(___ = ___, mixture = 1, engine = "___")
lasso_workflow <- workflow(preprocessor = lasso_recipe, spec = ___)
tidy(lasso_workflow %>% fit(train)) %>% filter(___ > ___)
# Train the workflow model with penalty = 0.01 and view model variables
lasso_model <- ___(___ = ___, ___ = ___, ___ = "___")
lasso_workflow <- workflow(preprocessor = ___, spec = ___)
tidy(lasso_workflow %>% fit(train)) %>% filter(___ > ___)
# Train the workflow model with penalty = 0.1 and view model variables
lasso_model <- ___(___ = ___, ___ = ___, ___ = "___")
lasso_workflow <- ___ %>% ___(___)
tidy(___ %>% ___(___)) %>% ___(___ > ___)