5-ma’ruza. Mashinali o’qitishda chiziqli regressiya masalasi. Bir o’zgaruvchili chiziqli regressiya

usuli = "glmnet",

trControl = trctrl,

# alfa va lambda paramterlari sinab ko'rish uchun

tuneGrid = data.frame (alfa = 0.5,

lambda = seq (0.1,0.7.0.05)))

# o'zaro tekshiruv aniqligi bo'yicha eng yaxshi alfa va lambda qiymatlari

enetFit $ bestTune

## alfa lambda

## 1 0,5 0,1

# sinov aniqligi

class.res = predict (enetFit, test [, - 1])

confusionMatrix (test [, 1], class.res) $ umumiy [1]

## aniqlik

## 0.9814815

Ko'rib turganingizdek, tartibga solish ishlagan, sozlash bosqichi tanlangan λ=1 va biz eng yaxshi model bilan qoniqarli sinov to'plamining aniqligini olishga muvaffaq bo'ldik. O'zgaruvchan ahamiyatga ega mJazolangan regressiyaning o'zgaruvchan ahamiyati, ayniqsa lasso va elastik to'r uchun, qutidan ozmi-ko'pmi tashqarida. Muhokama qilinganidek, ushbu usullar ahamiyatsiz o'zgaruvchilar uchun regressiya koeffitsientlarini nolga o'rnatadi. Bu muhim o'zgaruvchilarni tanlash uchun tizimni taqdim etadi, ammo ularni saralashning bir usuli bo'lishi shart emas. Regressiya koeffitsientlari hajmidan foydalanish - bu taxminiy o'zgaruvchilarni saralashning bir usuli, ammo agar ma'lumotlar normallashtirilmagan bo'lsa, siz har xil o'zgaruvchilar uchun har xil o'lchovlarni olasiz. Bizning holatlarimizda biz ma'lumotlarni normal holatga keltirdik va biz bilamizki, o'zgaruvchilar mashg'ulotga kirishishdan oldin bir xil o'lchovga ega. Biz ushbu faktdan foydalanib, ularni regressiya koeffitsientlari asosida saralashimiz mumkin. Caret :: varImp () funktsiyasi o'zgaruvchanlarni elastik to'r modelidan saralash uchun koeffitsientlardan foydalanadi. Quyida, eng yaxshi 10 ta muhim va uchun kurashmoqchi edik

Ko'rib turganingizdek, tartibga solish ishlagan, sozlash bosqichi tanlangan λ=1 va biz eng yaxshi model bilan qoniqarli sinov to'plamining aniqligini olishga muvaffaq bo'ldik. O'zgaruvchan ahamiyatga ega mJazolangan regressiyaning o'zgaruvchan ahamiyati, ayniqsa lasso va elastik to'r uchun, qutidan ozmi-ko'pmi tashqarida. Muhokama qilinganidek, ushbu usullar ahamiyatsiz o'zgaruvchilar uchun regressiya koeffitsientlarini nolga o'rnatadi. Bu muhim o'zgaruvchilarni tanlash uchun tizimni taqdim etadi, ammo ularni saralashning bir usuli bo'lishi shart emas. Regressiya koeffitsientlari hajmidan foydalanish - bu taxminiy o'zgaruvchilarni saralashning bir usuli, ammo agar ma'lumotlar normallashtirilmagan bo'lsa, siz har xil o'zgaruvchilar uchun har xil o'lchovlarni olasiz. Bizning holatlarimizda biz ma'lumotlarni normal holatga keltirdik va biz bilamizki, o'zgaruvchilar mashg'ulotga kirishishdan oldin bir xil o'lchovga ega. Biz ushbu faktdan foydalanib, ularni regressiya koeffitsientlari asosida saralashimiz mumkin. Caret :: varImp () funktsiyasi o'zgaruvchanlarni elastik to'r modelidan saralash uchun koeffitsientlardan foydalanadi. Quyida, eng yaxshi 10 ta muhim va uchun kurashmoqchi edik