原文链接：http://tecdat.cn/?p=26158

弹性网络正则化同时应用 L1 范数和 L2 范数正则化来惩罚回归模型中的系数。为了在 R 中应用弹性网络正则化。在 LASSO回归中，我们为 alpha 参数设置一个 '1' 值，并且在 岭回归中，我们将 '0' 值设置为其 alpha 参数。弹性网络在 0 到 1 的范围内搜索最佳 alpha 参数。在这篇文章中，我们将学习如何在 R 中应用弹性网络正则化。

首先，我们将为本教程创建测试数据集。

df <- data.frame(a,b,c,z)
 
x <- as.matrix(df)\[,-4\]

for (i in 1:length(alpha)) 
{

   bst$mse <- c(bet$mse, min(cg$cm))
}
 
inx <- which(bst$mse==min(bst$mse))
betlha <- bs$a\[inex\]
be_mse <- bst$mse\[inex\]

接下来，我们再次使用最佳 alpha 进行交叉验证以获得 lambda（收缩水平）。

elacv <- cv(x, v)



bestbda <- elacv$lambda.min

现在，我们可以使用函数拟合具有最佳 alpha 和 lambda 值的模型。

---

点击标题查阅往期内容

R语言用加性多元线性回归、随机森林、弹性网络模型预测鲍鱼年龄和可视化

左右滑动查看更多

01

02

03

04

coef(elamod)

最后，我们可以使用模型预测测试数据并计算 RMSE、R 平方和 MSE 值。

predict(elasod, x)


cat(" RMSE:", rmse, "\\n", "R-squared:", R2, "\\n", "MSE:", mse)

预测结果可视化：

预测结果：

本文摘选《R语言弹性网络Elastic Net正则化惩罚回归模型交叉验证可视化》，点击“阅读原文”获取全文完整资料。

欲获取全文文件，请点击左下角“阅读原文”。