最近我们被客户要求撰写关于Matlab的研究报告，包括一些图形和统计输出。

逻辑回归Logistic模型原理和R语言分类预测冠心病风险实例

，时长06:48

使用冗余预测变量构建数据集并使用lasso和 glm识别这些预测变量 。

创建一个X 包含 100 个观测值和 10 个预测变量的随机矩阵 。y 仅使用四个预测变量和少量噪声创建正态分布因变量 。

执行lasso正则化。

求第 75 个Lambda 值 的系数向量 B。

lassoglm 识别并删除冗余预测变量。

Lasso回归、岭回归等正则化回归数学原理及R语言实例

从泊松模型构建数据，并使用lasso 确定重要的预测变量 。

创建具有 20 个预测变量的数据。仅使用三个预测变量加上一个常数来创建泊松因变量。

构建数据的泊松回归模型的交叉验证lasso正则化。

检查交叉验证图以查看Lambda 正则化参数的效果 。

绿色圆圈和虚线定位 Lambda 交叉验证误差最小的位置。蓝色圆圈和虚线定位具有最小交叉验证误差加一个标准偏差的点。

找到对应于两个识别点的非零模型系数。

来自最小加一标准误差点的系数正是用于创建数据的那些系数。

加载 学生考试成绩数据集。将上次考试成绩转换为逻辑向量，其中 1 代表80以上0 的成绩， 代表80以下的成绩。

将数据划分为训练集和测试集。

对训练数据进行 3 折交叉验证，对广义线性模型回归执行lasso正则化。假设 中的值 y 是二项分布的。选择对应于Lambda 最小预期偏差的模型系数 。

使用在上一步中找到的模型系数预测测试数据的考试成绩。使用 指定二项式因变量的链接函数 'logit'。将预测值转换为逻辑向量。

使用混淆矩阵确定预测的准确性。

该函数可以正确预测 31 个考试成绩。然而，该函数错误地预测了1名学生获得B或以上的成绩，4名学生获得B以下的成绩。