Kement özellikleri seçmek ve ikili bir hedef ile öngörülü bir model uydurmak için bir yöntem olarak bakıyorum. Aşağıda, düzenli lojistik regresyon yöntemini denemek için oynadığım bazı kodlar var.
Benim sorum bir grup "önemli" değişkenleri almak ama her birinin göreceli önemini tahmin etmek için bunları sıralamak mümkün mü? Katsayılar bu sıralama için mutlak değere göre standardize edilebilir coef
mi (fonksiyonla orijinal değişken ölçeğinde gösterildiklerini anlıyorum )? Öyleyse, nasıl yapılır (x ve y'nin standart sapmasını kullanarak) Regresyon Katsayılarını Standartlaştırın .
BASİT KOD:
library(glmnet)
#data comes from
#http://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+(Diagnostic)
datasetTest <- read.csv('C:/Documents and Settings/E997608/Desktop/wdbc.data.txt',head=FALSE)
#appears to use the first level as the target success
datasetTest$V2<-as.factor(ifelse(as.character(datasetTest$V2)=="M","0","1"))
#cross validation to find optimal lambda
#using the lasso because alpha=1
cv.result<-cv.glmnet(
x=as.matrix(dataset[,3:ncol(datasetTest)]),
y=datasetTest[,2],
family="binomial",
nfolds=10,
type.measure="deviance",
alpha=1
)
#values of lambda used
histogram(cv.result$lambda)
#plot of the error measure (here was deviance)
#as a CI from each of the 10 folds
#for each value of lambda (log actually)
plot(cv.result)
#the mean cross validation error (one for each of the
#100 values of lambda
cv.result$cvm
#the value of lambda that minimzes the error measure
#result: 0.001909601
cv.result$lambda.min
log(cv.result$lambda.min)
#the value of lambda that minimzes the error measure
#within 1 SE of the minimum
#result: 0.007024236
cv.result$lambda.1se
#the full sequence was fit in the object called cv.result$glmnet.fit
#this is same as a call to it directly.
#here are the coefficients from the min lambda
coef(cv.result$glmnet.fit,s=cv.result$lambda.1se)