Eksploracja wartości kary w regresji lasso
W poprzednim ćwiczeniu uzupełniłeś(-aś) cały kod do skalowania zmiennej docelowej i zmiennych predykcyjnych. Teraz użyjesz danych train oraz lasso_recipe, aby zbudować workflow do trenowania modelu regresji lasso i zbadać wpływ różnych wartości kary. Zmieniając wartość kary i ponownie trenując model, zwróć uwagę na liczbę zmiennych z niezerowymi współczynnikami, które pozostają w modelu. W ten sposób zaobserwujesz, jak regresja lasso przeprowadza selekcję cech.
Pakiety tidyverse i tidymodels zostały już wczytane.
To ćwiczenie jest częścią kursu
Redukcja wymiarowości w R
Instrukcje do ćwiczenia
- Wytrenuj workflow regresji lasso z karą 0,001 i wyświetl współczynniki modelu większe od zera.
- Wytrenuj ponownie workflow regresji lasso z karą 0,01 i wyświetl współczynniki modelu większe od zera.
- Wytrenuj ponownie workflow regresji lasso z karą 0,1 i wyświetl współczynniki modelu większe od zera.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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(___ %>% ___(___)) %>% ___(___ > ___)