Özel trainControl ve ayarlamayla glmnet

Videoda gördüğün gibi, glmnet modeli aslında aynı anda birçok modeli uydurur (paketin harika özelliklerinden biri). Bunu, modeldeki cezalandırma miktarını kontrol eden çok sayıda lambda değeri vererek kullanabilirsin. train() yeterince akıllıdır; her alpha değeri için yalnızca bir model uydurur ve tüm lambda değerlerini aynı anda, eşzamanlı uyum için geçirir.

glmnet modelleri için en sevdiğim ayar ızgarası şudur:

expand.grid(
  alpha = 0:1,
  lambda = seq(0.0001, 1, length = 100)
)

Bu ızgara, çok küçükten çok büyüğe kadar geniş bir lambda aralığını (tam 100 değer) araştırır. (Maksimum lambda değerini 10’a çıkarabilirsin, ama bu egzersizde 1 iyi bir üst sınır.)

Daha az modeli keşfetmek istersen daha kısa bir lambda dizisi kullanabilirsin. Örneğin, lambda = seq(0.0001, 1, length = 10) her bir alpha değeri için 10 model uydurur.

Bu tuneGrid ile iki tür cezalı modeli de incelersin: ridge regression ve lasso regression. alpha = 0 saf ridge regression, alpha = 1 ise saf lasso regression’dır. 0 ile 1 arasında bir alpha kullanarak iki modelin karışımını (yani bir elastic net) uydurabilirsin. Örneğin, alpha = 0.05 %95 ridge regression ve %5 lasso regression olur.

Bu soruda sadece 2 uç durumu – saf ridge ve saf lasso regression – aralarındaki farkları göstermek amacıyla inceleyeceksin.