Esplora i valori della penalizzazione nella regressione lasso
Nell’esercizio precedente hai completato tutto il codice per scalare la variabile target e le variabili predittive. Userai i dati train e lasso_recipe per costruire un workflow, addestrare un modello di regressione lasso ed esplorare gli effetti di diversi valori di penalizzazione. Man mano che modifichi la penalizzazione e ri-addestri il modello, fai attenzione al numero di variabili diverse da zero che restano nel modello. Osserverai come la regressione lasso esegue la selezione delle feature.
I pacchetti tidyverse e tidymodels sono già stati caricati per te.
Questo esercizio fa parte del corso
Riduzione della dimensionalità in R
Istruzioni dell'esercizio
- Addestra un workflow di regressione lasso con penalizzazione 0.001 e mostra i coefficienti del modello maggiori di zero.
- Ri-addestra un workflow di regressione lasso con penalizzazione 0.01 e mostra i coefficienti del modello maggiori di zero.
- Ri-addestra un workflow di regressione lasso con penalizzazione 0.1 e mostra i coefficienti del modello maggiori di zero.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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(___ %>% ___(___)) %>% ___(___ > ___)