Як ви бачили у відео, модель glmnet насправді навчає багато моделей одночасно (це одна з сильних сторін пакета). Ви можете скористатися цим, передавши велику кількість значень lambda, які контролюють силу штрафу в моделі. train() достатньо розумна, щоб навчити лише одну модель на кожне значення alpha і передати всі значення lambda одразу для паралельного навчання.

Моя улюблена сітка для підбирання параметрів моделей glmnet така:

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

Ця сітка досліджує багато значень lambda (фактично 100) — від дуже малого до дуже великого. (Можна збільшити максимальне lambda до 10, але в цій вправі 1 — доречна верхня межа.)

Якщо хочете розглянути менше моделей, використайте коротшу послідовність lambda. Наприклад, lambda = seq(0.0001, 1, length = 10) навчить 10 моделей на кожне значення alpha.

За допомогою цього tuneGrid ви також розглянете дві форми моделей із штрафами: гребеневу регресію (ridge) та ласо-регресію (lasso). alpha = 0 — це чиста гребенева регресія, а alpha = 1 — чиста ласо-регресія. Можна поєднати ці дві моделі (тобто elastic net), використавши alpha між 0 та 1. Наприклад, alpha = 0.05 означає 95% гребеневої та 5% ласо-регресії.

У цій задачі ви розглянете лише два екстремальні випадки — чисту гребеневу та чисту ласо-регресію — щоб проілюструвати їхні відмінності.

Перевага glmnet

Machine Learning з пакетом caret в R

Практична інтерактивна вправа