Jelajahi nilai penalti regresi lasso
Pada latihan sebelumnya, Anda telah melengkapi seluruh kode untuk menstandarkan variabel target dan prediktor. Anda akan menggunakan data train dan lasso_recipe untuk membangun sebuah workflow guna melatih model regresi lasso dan mengeksplorasi dampak berbagai nilai penalti. Saat Anda menyesuaikan penalti dan melatih ulang model, perhatikan jumlah variabel tak nol yang tersisa di dalam model. Anda akan mengamati bagaimana regresi lasso melakukan pemilihan fitur.
Paket tidyverse dan tidymodels telah dimuat untuk Anda.
Latihan ini adalah bagian dari kursus
Reduksi Dimensi di R
Petunjuk latihan
- Latih workflow regresi lasso dengan penalti 0.001 dan tampilkan koefisien model yang lebih besar dari nol.
- Latih ulang workflow regresi lasso dengan penalti 0.01 dan tampilkan koefisien model yang lebih besar dari nol.
- Latih ulang workflow regresi lasso dengan penalti 0.1 dan tampilkan koefisien model yang lebih besar dari nol.
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# 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(___ %>% ___(___)) %>% ___(___ > ___)