R语言用非凸惩罚函数回归(SCAD、MCP)分析前列腺数据 |
您所在的位置:网站首页 › 混合ols估计 › R语言用非凸惩罚函数回归(SCAD、MCP)分析前列腺数据 |
# 0.00000000 0.00000000 0.00168038 点击标题查阅往期内容 r语言中对LASSO回归,Ridge岭回归和弹性网络Elastic Net模型实现 左右滑动查看更多 01 02 03 04 该 summary 方法可用于后_选择推断_: summary(fit # MCP-penalized linear regression with n=97, p=8 # At lambda=0.0500: # ------------------------------------------------- # Nonzero coefficients : 6 # Expected nonzero coefficients: 2.54 # Average mfdr (6 features) : 0.424 # # Estimate z mfdr Selected # lcavol 0.53179 8.880 < 1e-04 * # svi 0.67256 3.945 0.010189 * # lweight 0.60390 3.666 0.027894 * # lbph 0.08875 1.928 0.773014 * # age -0.01531 -1.788 0.815269 * # pgg45 0.00168 1.160 0.917570 * 在这种情况下, 即使调整了模型中的其他变量之后,lcavol, svi以及 lweight 显然与因变量关联,同时 lbph, age和 pgg45 可能只是_偶然_包括。通常,为了评估模型在λ的各种值下的预测准确性,将执行交叉验证: plot(cvfit) 使交叉验证误差最小的λ的值由 cvfit$lambda.min给出,在这种情况下为0.017。将coef 在return的输出 应用于 cv.ncvreg λ的值的系数: coef # (Intercept) lcavol lweight age lbph svi # 0.494154801 0.569546027 0.614419811 -0.020913467 0.097352536 0.752397339 # lcp gleason pgg45 # -0.104959403 0.000000000 0.005324465 可以通过predict来获得预测值 ,该选项有多种选择: predict(cvfit # 预测新观测结果的响应 # 1 2 3 4 5 6 # 0.8304040 0.7650906 0.4262072 0.6230117 1.7449492 0.8449595 # 非零系数的数量 # 0.01695 # 7 # 非零系数的特性 # lcavol lweight age lbph svi lcp pgg45 # 1 2 3 4 5 6 8 请注意,原始拟合(至完整数据集)的结果为 cvfit$fit;不必同时调用两者 ncvreg 和 cv.ncvreg 分析数据集。 如, plot(cvfit$fit) 将产生与上述相同的系数路径图 plot(fit) 。 本文摘选 《 R语言中使用非凸惩罚函数回归(SCAD、MCP)分析前列腺数据 》 ,点击“阅读原文”获取全文完整代码、数据资料。 点击标题查阅往期内容 Python中的Lasso回归之最小角算法LARS r语言中对LASSO回归,Ridge岭回归和弹性网络Elastic Net模型实现 R语言实现LASSO回归——自己编写LASSO回归算法 R使用LASSO回归预测股票收益 R语言如何和何时使用glmnet岭回归 R语言中的岭回归、套索回归、主成分回归:线性模型选择和正则化 R语言广义线性模型GLM、多项式回归和广义可加模型GAM预测泰坦尼克号幸存者 R语言用Rshiny探索lme4广义线性混合模型(GLMM)和线性混合模型(LMM) R语言使用bootstrap和增量法计算广义线性模型(GLM)预测置信区间 R语言广义线性模型(GLMs)算法和零膨胀模型分析 R语言中广义线性模型(GLM)中的分布和连接函数分析 R语言中GLM(广义线性模型),非线性和异方差可视化分析 R语言中的广义线性模型(GLM)和广义相加模型(GAM):多元(平滑)回归分析保险资金投资组合信用风险敞口 R和Python机器学习:广义线性回归glm,样条glm,梯度增强,随机森林和深度学习模型分返回搜狐,查看更多 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |