目录前言1、函数构建1.1代码1.2图片1.3视频图2、总结
引言0
博客《变量选择——lasso、SCAD、MCP的实现(R语言》介绍了r语言是选择变量的常用函数和包。 其中,msaenet和glmnet是建立的弹性网,弹性网是脊回归和lasso类惩罚的回归。 以下以二次元为例,介绍岭回归、lasso、弹性网惩罚项的差异。 由于已知惩罚回归是似然函数或最小门乘求条件的极值,具体形式由限制条件给出,给出的常数c如下:
岭回来了,
x 2 y 2=C,x^2 y^2=C,x 2 y 2=C,
lasso:
3x3y3=c,|x| |y|=C,3x3y3=c,
弹性网,规定的0-1的(阿尔法如下。
(x ) y ) ) (1) x 2 y 2)=C.(阿尔法) x||y|)1- (阿尔法(x ) 2y (2)=c. ) ) ) (x ) ) (y ) )
可知=1(阿尔法=1=1时退化为lasso,=0(阿尔法=0=0时退化为岭回归。
以下,作为C=1,将上述三个可执行区域可视化。
1、函数构造1.1代码# 2.2函数调用o-par (MF row=c (2,3 ) ) net plot (c=1,alpha=0) text (0,0.8,pastE0 ) ' alpha=0' cex=4) netplot ) c=1,alpha=0.2 ) text cex=4) netplot(c=1,alpha=0.5 ) text ) 0,0.8,pastE0 ),alpha=' cex=4(net plot ) )、blue )、cex=4 0.8 )、col='blue ',cex=4) netplot(c=1,alpha=1) text ) 0,0.8,papa
1.3动图
2、最后我想对r语言的学习有帮助。 如果在有限的水平上发现错误,请立即在评论区指出。 你的意见和批评是我前进的动力。 当然,如果有更好的改进方案,欢迎评论区的交流。
这篇文章的代码已经整理好了,需要移动下面的链接下载研究。