Khám phá các giá trị penalty trong lasso regression
Trong bài trước, bạn đã hoàn thành toàn bộ mã để chuẩn hóa biến mục tiêu và biến dự báo. Bạn sẽ dùng dữ liệu train và lasso_recipe để xây dựng một workflow, huấn luyện mô hình lasso regression và khám phá tác động của các giá trị penalty khác nhau. Khi bạn điều chỉnh penalty và huấn luyện lại mô hình, hãy chú ý đến số lượng biến có hệ số khác 0 còn lại trong mô hình. Bạn sẽ quan sát cách lasso regression thực hiện chọn đặc trưng.
Các gói tidyverse và tidymodels đã được nạp sẵn cho bạn.
Bài tập này là một phần của khóa học
Giảm Chiều Dữ Liệu với R
Hướng dẫn bài tập
- Huấn luyện một workflow lasso regression với penalty bằng 0.001 và hiển thị các hệ số mô hình lớn hơn 0.
- Huấn luyện lại workflow lasso regression với penalty bằng 0.01 và hiển thị các hệ số mô hình lớn hơn 0.
- Huấn luyện lại workflow lasso regression với penalty bằng 0.1 và hiển thị các hệ số mô hình lớn hơn 0.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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(___ %>% ___(___)) %>% ___(___ > ___)