Onderzoek strafwaarden voor lasso-regressie
In de vorige oefening heb je alle code voltooid om de doel- en voorspelde variabelen te schalen. Je gebruikt de train-gegevens en lasso_recipe om een workflow te bouwen waarmee je een lasso-regressiemodel traint en de effecten van verschillende strafwaarden (penalties) verkent. Terwijl je de straf aanpast en het model opnieuw traint, let je op het aantal niet-nulvariabelen dat in het model overblijft. Je observeert zo hoe lasso-regressie featureselectie uitvoert.
De pakketten tidyverse en tidymodels zijn al voor je geladen.
Deze oefening maakt deel uit van de cursus
Dimensionality Reduction in R
Oefeninstructies
- Train een lasso-regressieworkflow met een straf van 0.001 en toon de modelcoëfficiënten die groter zijn dan nul.
- Train de lasso-regressieworkflow opnieuw met een straf van 0.01 en toon de modelcoëfficiënten die groter zijn dan nul.
- Train de lasso-regressieworkflow opnieuw met een straf van 0.1 en toon de modelcoëfficiënten die groter zijn dan nul.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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(___ %>% ___(___)) %>% ___(___ > ___)