เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Fit glmnet ด้วย trainControl แบบกำหนดเอง

เมื่อมี trainControl แบบกำหนดเองแล้ว ให้ fit โมเดล glmnet กับชุดข้อมูล "don't overfit" จากวิดีโอ glmnet คือส่วนขยายของโมเดล generalized linear regression (หรือ glm) ที่เพิ่มข้อจำกัดบนขนาดของสัมประสิทธิ์เพื่อป้องกัน overfitting ซึ่งรู้จักกันทั่วไปในชื่อ "penalized" regression และเป็นเทคนิคที่มีประโยชน์มากสำหรับชุดข้อมูลที่มีตัวทำนายจำนวนมากแต่มีค่าน้อย

glmnet สามารถ fit โมเดลแบบ penalized ได้ 2 รูปแบบ ควบคุมด้วยพารามิเตอร์ alpha:

  • Ridge regression (หรือ alpha = 0)
  • Lasso regression (หรือ alpha = 1)

ตอนนี้จะ fit โมเดล glmnet กับชุดข้อมูล "don't overfit" โดยใช้ค่าเริ่มต้นที่แพ็กเกจ caret กำหนดไว้

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning ด้วย caret ใน R

ดูคอร์ส

คำแนะนำการฝึกหัด

  • Train โมเดล glmnet ชื่อ model บนข้อมูล overfit โดยใช้ trainControl แบบกำหนดเองจากแบบฝึกหัดก่อนหน้า (myControl) โดยให้ตัวแปร y เป็นตัวแปรตอบสนอง และตัวแปรอื่น ๆ ทั้งหมดเป็นตัวแปรอธิบาย
  • แสดงผลโมเดลที่ console
  • ใช้ฟังก์ชัน max() เพื่อหาค่าสูงสุดของสถิติ ROC ที่อยู่ใน model[["results"]]

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

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

# Print model to console


# Print maximum ROC statistic
แก้ไขและรันโค้ด