আমি বৈশিষ্ট্যগুলি নির্বাচন করার জন্য এবং বাইনারি টার্গেটের সাথে একটি ভবিষ্যদ্বাণীপূর্ণ মডেল ফিটিংয়ের পদ্ধতি হিসাবে লাসোটি ব্যবহার করে দেখছি। নিয়মিত লজিস্টিক রিগ্রেশন সহ পদ্ধতিটি ব্যবহার করার জন্য আমি নীচে কিছু কোড খেলছিলাম।
আমার প্রশ্ন হ'ল আমি "উল্লেখযোগ্য" ভেরিয়েবলগুলির একটি গ্রুপ পাচ্ছি তবে আমি কি প্রতিটিটির তুলনামূলক গুরুত্ব অনুমান করার জন্য এইগুলিকে ক্রম করতে পারি? সহগগুলি কি পরম মানের দ্বারা র্যাঙ্কের এই উদ্দেশ্যে মানক করা যেতে পারে (আমি বুঝতে পারি যে তারা coef
ফাংশনের মাধ্যমে মূল ভেরিয়েবল স্কেলে প্রদর্শিত হবে )? যদি তাই হয়, কি ভাবে সেটি (x এবং y স্ট্যান্ডার্ড ডেভিয়েশন ব্যবহার করে) করতে প্রমিত রিগ্রেশন কোএফিসিয়েন্ট ।
কোডের উদাহরণ:
library(glmnet)
#data comes from
#http://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+(Diagnostic)
datasetTest <- read.csv('C:/Documents and Settings/E997608/Desktop/wdbc.data.txt',head=FALSE)
#appears to use the first level as the target success
datasetTest$V2<-as.factor(ifelse(as.character(datasetTest$V2)=="M","0","1"))
#cross validation to find optimal lambda
#using the lasso because alpha=1
cv.result<-cv.glmnet(
x=as.matrix(dataset[,3:ncol(datasetTest)]),
y=datasetTest[,2],
family="binomial",
nfolds=10,
type.measure="deviance",
alpha=1
)
#values of lambda used
histogram(cv.result$lambda)
#plot of the error measure (here was deviance)
#as a CI from each of the 10 folds
#for each value of lambda (log actually)
plot(cv.result)
#the mean cross validation error (one for each of the
#100 values of lambda
cv.result$cvm
#the value of lambda that minimzes the error measure
#result: 0.001909601
cv.result$lambda.min
log(cv.result$lambda.min)
#the value of lambda that minimzes the error measure
#within 1 SE of the minimum
#result: 0.007024236
cv.result$lambda.1se
#the full sequence was fit in the object called cv.result$glmnet.fit
#this is same as a call to it directly.
#here are the coefficients from the min lambda
coef(cv.result$glmnet.fit,s=cv.result$lambda.1se)