Anpassa glmnet med ett anpassat trainControl

Nu när du har ett anpassat trainControl-objekt är det dags att anpassa en glmnet-modell till datamängden "don't overfit". Som du såg i videon är glmnet en utökning av den generaliserade linjära regressionsmodellen (glm) som begränsar koefficienternas storlek för att förhindra överanpassning. Det kallas ofta "penaliserad" regressionsmodellering och är en mycket användbar teknik för datamängder med många prediktorer men få observationer.

glmnet kan anpassa två typer av penaliserade modeller, styrt av parametern alpha:

Ridge-regression (eller alpha = 0)
Lasso-regression (eller alpha = 1)

Du ska nu anpassa en glmnet-modell till datamängden "don't overfit" med standardinställningarna från paketet caret.

Den här övningen är en del av kursen

Maskininlärning med caret i R

Visa kurs

Övningsinstruktioner

Träna en glmnet-modell med namnet model på data overfit. Använd det anpassade trainControl-objektet från föregående övning (myControl). Variabeln y är responsvariabeln och alla övriga variabler är förklaringsvariabler.
Skriv ut modellen i konsolen.
Använd funktionen max() för att hitta det högsta värdet på ROC-statistiken som finns någonstans i model[["results"]].

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Fit glmnet model: model
model <- train(
  ___, 
  ___,
  method = "glmnet",
  trControl = ___
)

# Print model to console


# Print maximum ROC statistic

Redigera och kör kod