Изучение значений штрафного параметра в лассо-регрессии
В предыдущем упражнении вы завершили масштабирование целевой переменной и признаков-предикторов. Теперь вы используете данные train и объект lasso_recipe, чтобы построить рабочий процесс для обучения модели лассо-регрессии и изучить влияние различных значений штрафного параметра. По мере изменения штрафа и повторного обучения модели обращайте внимание на количество ненулевых переменных, которые остаются в модели. Так вы наглядно увидите, как лассо-регрессия выполняет отбор признаков.
Пакеты tidyverse и tidymodels уже загружены.
Это упражнение является частью курса
Снижение размерности в R
Инструкции к упражнению
- Обучите рабочий процесс лассо-регрессии со штрафным параметром 0,001 и выведите коэффициенты модели, значения которых больше нуля.
- Повторно обучите рабочий процесс лассо-регрессии со штрафным параметром 0,01 и выведите коэффициенты модели, значения которых больше нуля.
- Повторно обучите рабочий процесс лассо-регрессии со штрафным параметром 0,1 и выведите коэффициенты модели, значения которых больше нуля.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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(___ %>% ___(___)) %>% ___(___ > ___)