Utforska penaltyvärdena i lasso-regression
I den föregående övningen slutförde du all kod för att skala målvariabeln och prediktorvariablerna. Nu ska du använda train-datan och lasso_recipe för att bygga ett arbetsflöde som tränar en lasso-regressionsmodell och utforskar effekterna av olika penaltyvärden. Lägg märke till hur många variabler med icke-noll-koefficienter som finns kvar i modellen när du justerar penaltyn och tränar om modellen. På så sätt kan du observera hur lasso-regression utför särdragsselektion.
Paketen tidyverse och tidymodels har redan laddats åt dig.
Den här övningen är en del av kursen
Dimensionsreduktion i R
Övningsinstruktioner
- Träna ett lasso-regressionsarbetsflöde med en penalty på 0,001 och visa de modellkoefficienter som är större än noll.
- Träna om lasso-regressionsarbetsflödet med en penalty på 0,01 och visa de modellkoefficienter som är större än noll.
- Träna om lasso-regressionsarbetsflödet med en penalty på 0,1 och visa de modellkoefficienter som är större än noll.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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(___ %>% ___(___)) %>% ___(___ > ___)