原文链接：/?p=26158
原文出处：拓端数据部落公众号
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。
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)
最受欢迎的见解
1.R语言多元Logistic逻辑回归 应用案例
2.面板平滑转移回归(PSTR)分析案例实现
3.matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）
4.R语言泊松Poisson回归模型分析案例
5.R语言回归中的Hosmer-Lemeshow拟合优度检验
6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现
7.在R语言中实现Logistic逻辑回归
8.python用线性回归预测股票价格
9.R语言如何在生存分析与Cox回归中计算IDI，NRI指标
