# 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