Ajuster glmnet avec un trainControl personnalisé

Maintenant que vous avez un objet trainControl personnalisé, ajustez un modèle glmnet au jeu de données « don't overfit ». Rappelez-vous, d'après la vidéo, que glmnet est une extension du modèle de régression linéaire généralisée (glm) qui impose des contraintes sur l'ampleur des coefficients pour éviter le surapprentissage. On parle plus couramment de régression « pénalisée », une technique très utile pour les jeux de données qui comportent de nombreux prédicteurs et peu d'observations.

glmnet peut ajuster deux types de modèles pénalisés, contrôlés par le paramètre alpha :

Régression Ridge (ou alpha = 0)
Régression Lasso (ou alpha = 1)

Vous allez maintenant ajuster un modèle glmnet au jeu de données « don't overfit » en utilisant les valeurs par défaut fournies par le paquet caret.

Cette activité fait partie du cours

Machine Learning avec caret en R

Voir le cours

Instructions de l’exercice

Entraînez un modèle glmnet nommé model sur les données overfit. Utilisez le trainControl personnalisé de l'exercice précédent (myControl). La variable y est la variable réponse et toutes les autres sont des variables explicatives.
Affichez le modèle dans la console.
Utilisez la fonction max() pour trouver la valeur maximale de la statistique ROC située quelque part dans model[["results"]].

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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

# Print model to console


# Print maximum ROC statistic

Modifier et exécuter le code