glmnet mit benutzerdefiniertem trainControl fitten

Jetzt, da du ein benutzerdefiniertes trainControl-Objekt hast, fittest du ein glmnet-Modell auf den Datensatz "don't overfit". Zur Erinnerung aus dem Video: glmnet ist eine Erweiterung des generalisierten linearen Regressionsmodells (oder glm), die Beschränkungen auf die Größe der Koeffizienten legt, um Overfitting zu verhindern. Das ist als "penalisierte" Regression bekannt und ist besonders nützlich bei Datensätzen mit vielen Prädiktoren und wenigen Beobachtungen.

glmnet kann zwei Arten von penalisierten Modellen fitten, gesteuert durch den Parameter alpha:

Ridge-Regression (oder alpha = 0)
Lasso-Regression (oder alpha = 1)

Du wirst nun ein glmnet-Modell auf den Datensatz "don't overfit" fitten, und dabei die Standardwerte aus dem caret-Paket verwenden.

Diese Übung ist Teil des Kurses

Maschinelles Lernen mit caret in R

Kurs anzeigen

Anleitung zur Übung

Trainiere ein glmnet-Modell namens model auf den overfit-Daten. Verwende das benutzerdefinierte trainControl aus der vorherigen Übung (myControl). Die Variable y ist die Zielvariable, alle anderen Variablen sind erklärende Variablen.
Gib das Modell in der Konsole aus.
Verwende die Funktion max(), um das Maximum der ROC-Kennzahl zu finden, die sich irgendwo in model[["results"]] befindet.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Fit glmnet model: model
model <- train(
  ___, 
  ___,
  method = "glmnet",
  trControl = ___
)

# Print model to console


# Print maximum ROC statistic

Code bearbeiten und ausführen