Explora valores de penalización en la regresión lasso
En el ejercicio anterior, completaste todo el código para escalar la variable objetivo y las predictoras. Usarás los datos train y lasso_recipe para crear un workflow, entrenar un modelo de regresión lasso y explorar los efectos de diferentes valores de penalización. A medida que ajustes la penalización y reentrenes el modelo, fíjate en el número de variables distintas de cero que quedan en el modelo. Observarás cómo la regresión lasso realiza la selección de variables.
Los paquetes tidyverse y tidymodels ya están cargados.
Este ejercicio forma parte del curso
Reducción de la dimensionalidad en R
Instrucciones del ejercicio
- Entrena un workflow de regresión lasso con una penalización de 0.001 y muestra los coeficientes del modelo que sean mayores que cero.
- Vuelve a entrenar un workflow de regresión lasso con una penalización de 0.01 y muestra los coeficientes del modelo que sean mayores que cero.
- Vuelve a entrenar un workflow de regresión lasso con una penalización de 0.1 y muestra los coeficientes del modelo que sean mayores que cero.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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(___ %>% ___(___)) %>% ___(___ > ___)