R语言基于glmnet构建Logistic回归模型使用L1正则化并可视化系数及最佳lambda值

Posted Data+Science+Insight

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了R语言基于glmnet构建Logistic回归模型使用L1正则化并可视化系数及最佳lambda值相关的知识,希望对你有一定的参考价值。

R语言基于glmnet构建Logistic回归模型使用L1正则化并可视化系数及最佳lambda值

Glmnet主要用于拟合广义线性模型。筛选可以使loss达到最小的正则化参数lambda。该算法非常快,并且可以使用稀疏矩阵作为输入。主要有线性模型用于回归,logistic回归进行分类以及cox模型进行生存分析。可以从拟合模型中做出各种预测。它也可以拟合多响应线性回归。


 

参数family规定了回归模型的类型:

—-family=”gaussian”适用于一维连续因变量

—-family=mgaussian”适用于多维连续因变量

—-family=”poisson”适用于非负次数因变量(count)

—-family=”binomial”适用于二元离散因变量(binary)

—-family=”multinomial”适用于多元离散因变量(category)

——–type.measure=deviance使用deviance,即-2log-likelihood(默认)

——–type.measure=mse使用拟合因变量与实际因变量的mean squred error

——–type.measure=mae使用mean absolute error

——–type.measure=class使用模型分类的错误率

——–type.measure=auc使用area under the ROC curve,是现在最流行的综合考量模型性能的一种参数

# 魔心构建及系

以上是关于R语言基于glmnet构建Logistic回归模型使用L1正则化并可视化系数及最佳lambda值的主要内容,如果未能解决你的问题,请参考以下文章

基于R语言的Logistic回归模型构建与Nomogram绘制

R语言glm拟合logistic回归模型实战:基于glm构建逻辑回归模型及模型系数统计显著性分析每个预测因子对响应变量的贡献

R语言构建logistic回归模型并评估模型:计算混淆矩阵并基于混淆矩阵计算AccurayPrecisionRecall(sensitivity)F1Specificity指标

R语言构建logistic回归模型并评估模型:构建基于混淆矩阵计算分类评估指标的自定义函数阳性样本比例(垃圾邮件比例)变化对应的分类器性能的变化基于数据阳性样本比例选择合适的分类评估指标

R语言Logistic回归模型案例基于AER包的affair数据分析

R语言构建logistic回归模型:WVPlots包PRTPlot函数可视化获取logistic回归模型的最优阈值优化(precisionenrichment)和recall之间的折衷