探索 lasso 迴歸的懲罰值
在上一個練習中，你已完成縮放目標變數與預測變數的所有程式碼。你將使用 train 資料與 lasso_recipe 來建立一個 workflow，以訓練 lasso 迴歸模型，並探索不同懲罰值的影響。當你調整懲罰值並重新訓練模型時，請留意模型中剩下的非零變數數量。你將觀察 lasso 迴歸如何進行特徵選擇。
已為你載入 tidyverse 與 tidymodels 套件。
本練習屬於課程
R 的降維
練習說明
- 以懲罰值 0.001 訓練一個 lasso 迴歸 workflow，並顯示大於 0 的模型係數。
- 以懲罰值 0.01 重新訓練一個 lasso 迴歸 workflow，並顯示大於 0 的模型係數。
- 以懲罰值 0.1 重新訓練一個 lasso 迴歸 workflow，並顯示大於 0 的模型係數。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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(___ %>% ___(___)) %>% ___(___ > ___)