- 1、本文档共6页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
最⼩⾓回归LARS算法包的⽤法以及模型参数的选择(R语
⾔)
Lasso回归模型,是常⽤线性回归的模型,模型维度较⾼时,Lasso算法通过求解稀疏解对模型进⾏变量选择。Lars算法则提供了⼀种快
速求解该模型的⽅法。Lars算法的基本原理有许多其他⽂章可以参考,这⾥不过多赘述,这⾥主要简介如何在R中利⽤lars算法包求解线性
回归问题以及参数的选择⽅法。
以下的的⼀些⽤法参照lars包的帮助⽂件,再加上⾃⼰的使⽤⼼得。所⽤的⽰例数据diabetes是Efron在其论⽂中“LeastAngle
Regression”中⽤到的,可以在加载lars包后直接获得
library(lars)
data(diabetes)
attach(diabetes)
该数据中含有三个变量x,x2,y,其中x是⼀个有422X10维的矩阵,y是⼀个422维的向量,x2是由x得到的422X64维矩阵
(compressive).
1.求解路径solutionpath
lars(x,y,type=c(lasso,lar,forward.stagewise,stepwise),trace=FALSE,normalize=TRUE,intercept=TRUE,Gram,eps=.Machine$double.eps,max.steps,
use.Gram=TRUE)
该函数提供了通过回归变量x和因变量y求解其回归解路径的功能。其中,
type表⽰所使⽤的回归⽅法,包括(lasso,lar,forward.stagewise,stepwise),选择不同的回归⽅法将得到不同的解路径;
normalize表⽰是否对变量进⾏归⼀化,为TRUE时,程序将对x和y进⾏L2正则化;
intercept表⽰是否对变量进⾏中⼼化,为TRUE时,程序将对x和y分别减去其均值。
下⾯使⽤四种不同的回归⽅法对其进⾏回归分析
object1-lars(x,y,type=lasso)
object2-lars(x,y,type=lar)
object3-lars(x,y,type=forward.stagewise)
object4-lars(x,y,type=stepwise)
返回参数是⼀个list,其中包含了每次迭代得到的回归系数beta以及lambda等16个返回值。
可以分别对返回参数⽤plot()画出其solutionpath的图像.
可以看到lars算法,算法的步数较少即迭代次数较少,且与参数个数相同,数据维数⾮常⾼的时候lars算法相较于其他回归算法速度⾮常
快。
2.利利⽤⽤交交叉叉验验证证(CrossValidtion)确确认认参参数数
在上⼀步我们可以看到lars⼀次给了其solutionpath上的所有解,我们需要确定其中哪个解是我们真正要⽤到的.在lasso模型中,约束项
由参数lambda进⾏控制,给定了lambda,模型才能够确定下来。⼀个好的回归模型,需要给定⼀个合适的lambda,但是lamda的范围
往往⽐较⼤。注意到lars算法给出的解路径上的解个数是有限的,不同的解即不同的beta就对应了不同的lambda,从solutionpath的图可
以看到,我们可以通过选定算法的step步数或者选定beta饱和度|beta|/max|beta|(此处||表⽰⼀范数,饱和度同样也表征了解的稀疏
度)来选定模型的参数.
此时就需要⽤到lars包中的cv.lars函数,
cv.lars(x,y,K=10,index,trace=FALSE,plot.it=TRUE,se=TRUE,type=c(lasso,lar,forward.stagewise,stepwise),mode=c(fraction,step),...)
K表⽰在进⾏交叉验证时,将数据随机分为K份,每次使⽤其中K-1份作为训练数据,⽤剩下的⼀份进⾏验证,最后计算这K次验证的
均⽅误差;
mode表⽰⽤到的参数指标,step即按步数step去选择所需的参数,fraction即按照path中的横坐标|
文档评论(0)