R语言基于glmnet构建分类模型并可视化特征系数(coefficient)以及L1正则化系数(lambda)实战

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构建分类模型并可视化特征系数(coefficient)以及L1正则化系数(lambda)实战相关的知识,希望对你有一定的参考价值。

R语言基于glmnet构建分类模型并可视化特征系数(coefficient)以及L1正则化系数(lambda)实战

# 导入测试数据集

data(BinomialExample)
x <- BinomialExample$x
y <- BinomialExample$y

# 构建模型并可视化系数

glmmod <- glmnet(x, y, alpha=1, family="binomial",lambda = logspace(-10, 1, 100))

# Plot variable coefficients vs. shrinkage parameter lambda.
plot(glmmod, xvar="lambda")
abline(v = cv.glmnet(x,y,lambda = logspace(-10, 1, 100))$lambda.min, col = "black")

以上是关于R语言基于glmnet构建分类模型并可视化特征系数(coefficient)以及L1正则化系数(lambda)实战的主要内容,如果未能解决你的问题,请参考以下文章

R语言glmnet拟合lasso回归模型实战:lasso回归模型的模型系数及可视化lasso回归模型分类评估计算(混淆矩阵accuracyDeviance)

R语言glmnet拟合岭回归模型实战:岭回归模型的模型系数(ridge regression coefficients)及可视化岭回归模型分类评估计算(混淆矩阵accuracyDeviance)

R语言构建文本分类模型并使用LIME进行模型解释实战:文本数据预处理构建词袋模型构建xgboost文本分类模型基于文本训练数据以及模型构建LIME解释器解释一个测试语料的预测结果并可视化

R语言构建文本分类模型并使用LIME进行模型解释实战:文本数据预处理构建词袋模型构建xgboost文本分类模型基于文本训练数据以及模型构建LIME解释器解释多个测试语料的预测结果并可视化

R语言构建xgboost模型:基于叶子索引衍生出新的特征并进行独热编码(one-hot encoding)之后构建新的模型比较加入叶子索引特征的模型的分类性能提升

构建线性模型(Lasso)并通过系数(coefficients)可视化分析特征重要度