Explore valores de penalidade na lasso regression
No exercício anterior, você concluiu todo o código para padronizar a variável-alvo e as variáveis preditoras. Agora, você vai usar os dados train e a lasso_recipe para montar um workflow, treinar um modelo de lasso regression e explorar os efeitos de diferentes valores de penalidade. Ao ajustar a penalidade e reentreinar o modelo, repare na quantidade de variáveis diferentes de zero que permanecem no modelo. Assim, você observará como a lasso regression faz seleção de variáveis.
Os pacotes tidyverse e tidymodels já foram carregados para você.
Este exercício faz parte do curso
Redução de Dimensionalidade em R
Instruções do exercício
- Treine um workflow de lasso regression com penalidade 0.001 e mostre os coeficientes do modelo que são maiores que zero.
- Reentreine um workflow de lasso regression com penalidade 0.01 e mostre os coeficientes do modelo que são maiores que zero.
- Reentreine um workflow de lasso regression com penalidade 0.1 e mostre os coeficientes do modelo que são maiores que zero.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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(___ %>% ___(___)) %>% ___(___ > ___)