Statistics 套索回归,无变量丢失
我正在为二进制响应变量在R中执行套索回归 我使用Statistics 套索回归,无变量丢失,statistics,classification,lasso-regression,Statistics,Classification,Lasso Regression,我正在为二进制响应变量在R中执行套索回归 我使用cv.glmnet查找最佳lambda,并使用glmnet检查最佳lambda情况的系数。调用这两个函数时,我指定standarized=TRUE和alpha=1 在我的案例中,我有大约40个变量,我确信其中一些变量从散点图和vif(当我对同一数据进行逻辑回归时)中彼此之间有很强的相关性 我从套索回归中得到的最佳λ是基本上这是因为你的lambda值太小了lambda您可以发布一个可复制的示例吗?有多少次观察?@sahir。不幸的是,我无法提供一个可
cv.glmnet
查找最佳lambda,并使用glmnet
检查最佳lambda情况的系数。调用这两个函数时,我指定standarized=TRUE
和alpha=1
在我的案例中,我有大约40个变量,我确信其中一些变量从散点图和vif
(当我对同一数据进行逻辑回归时)中彼此之间有很强的相关性
我从套索回归中得到的最佳λ是基本上这是因为你的
lambda
值太小了<代码>lambda您可以发布一个可复制的示例吗?有多少次观察?@sahir。不幸的是,我无法提供一个可以重现这种情况的例子。我有大约2000次观察。我最终使用了逻辑回归和SVM,因为我注意到,即使我手动控制lambda的水平(强制它变大),Lasso回归也会任意丢弃变量。
library(glmnet)
z<-rnorm(100)
data<-data.frame(y=3+rnorm(100),x1=rnorm(100),x2=rnorm(100),x3=rnorm(100),x4=rnorm(100),x5=rnorm(100),
x6=rnorm(100),x7=rnorm(100),x8=rnorm(100),x9=rnorm(100),x10=rnorm(100),z=z,z1=z+rnorm(100,0,0.3))
gl<-glmnet(y=data$y,x=as.matrix(data[,-1]),alpha = 1)
plot(gl,xvar="lambda")
gl1<-glmnet(y=data$y,x=as.matrix(data[,-1]),alpha = 1,lambda=0.001)
gl2<-glm(data=data,formula=y~x1+x2+x3+x4+x5+x6+x7+x8+x9+x10+z+z1)
gl1$beta
# x1 -0.10985215
# x2 -0.12337595
# x3 0.06088970
# x4 -0.12714515
# x5 -0.12237959
# x6 -0.01439966
# x7 0.02037826
# x8 0.22288055
# x9 -0.10131195
# x10 -0.04268274
# z -0.04526606
# z1 0.04628616
gl3$coefficients
(Intercept) x1 x2 x3 x4 x5 x6
2.98542594 -0.11104062 -0.12478162 0.06293879 -0.12833484 -0.12385855 -0.01556657
x7 x8 x9 x10 z z1
0.02071605 0.22408006 -0.10195640 -0.04419441 -0.04602251 0.04513612
as.vector(gl1$beta)-as.vector(gl2$coefficients)[-1]
# [1] 0.0011884697 0.0014056731 -0.0020490872 0.0011896872 0.0014789566 0.0011669064
# [7] -0.0003377824 -0.0011995019 0.0006444471 0.0015116774 0.0007564556 0.00115004