探索 lasso 回归的惩罚系数
在上一个练习中，您已经完成了对目标变量和自变量的标准化代码。现在请使用 train 数据和 lasso_recipe 构建一个工作流，训练 lasso 回归模型，并探索不同惩罚系数的影响。随着您调整惩罚并重新训练模型，请留意模型中保留下来的非零变量数量。您将观察 lasso 回归如何进行特征选择。
已为您加载 tidyverse 和 tidymodels 包。
本练习是课程的一部分
R 中的降维
练习说明
- 以惩罚系数 0.001 训练一个 lasso 回归工作流，并显示大于 0 的模型系数。
- 以惩罚系数 0.01 重新训练一个 lasso 回归工作流，并显示大于 0 的模型系数。
- 以惩罚系数 0.1 重新训练一个 lasso 回归工作流，并显示大于 0 的模型系数。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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(___ %>% ___(___)) %>% ___(___ > ___)