原文链接：http://tecdat.cn/?p=22721

Lease Absolute Shrinkage and Selection Operator（LASSO）在给定的模型上执行正则化和变量抉择。依据惩办项的大小，LASSO将不太相干的预测因子放大到（可能）零。因而，它使咱们可能思考一个更扼要的模型。在这组练习中，咱们将在R中实现LASSO回归。

练习1

加载糖尿病数据集。这有对于糖尿病的病人程度的数据。数据为n = 442名糖尿病患者中的每个人取得了10个基线变量、年龄、性别、体重指数、均匀血压和6个血清测量值，以及感兴趣的反馈，即一年后疾病停顿的定量测量。"
接下来，加载包用来实现LASSO。

head(data)

数据集有三个矩阵x、x2和y。x是较小的自变量集，而x2蕴含残缺的自变量集以及二次和交互项。
查看每个预测因素与因变量的关系。生成独自的散点图，所有预测因子的最佳拟合线在x中，y在纵轴上。用一个循环来主动实现这个过程。

summary(x)

for(i in 1:10){  plot(x\[,i\], y)  abline(lm(y~x\[,i\])}

应用OLS将y与x中的预测因子进行回归。咱们将用这个后果作为比拟的基准。

lm(y ~ x)

绘制x的每个变量系数与向量的L1准则的门路。该图表明每个系数在哪个阶段缩减为零。

plot(model_lasso)

失去穿插验证曲线和最小化均匀穿插验证误差的lambda的值。

plot(cv_fit)

应用上一个练习中的lambda的最小值，失去预计的矩阵。留神，有些系数曾经缩减为零。这表明哪些预测因子在解释y的变动方面是重要的。

> fit$beta

为了失去一个更扼要的模型，咱们能够应用一个更高的值，即在最小值的一个标准误差之内。用这个lambda值来失去系数。留神，当初有更多的系数被缩减为零。

lambda.1se

beta

如前所述，x2蕴含更多的预测因子。应用OLS，将y回归到x2，并评估后果。

summary(ols2)

对新模型反复练习-4。

lasso(x2, y)plot(model_lasso1)

对新模型反复练习5和6，看看哪些系数被缩减为零。当有很多候选变量时，这是放大重要预测变量的无效办法。

plot(cv_fit1)

beta

最受欢迎的见解

1.R语言多元Logistic逻辑回归利用案例

2.面板平滑转移回归(PSTR)剖析案例实现

3.matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）

4.R语言泊松Poisson回归模型剖析案例

5.R语言回归中的Hosmer-Lemeshow拟合优度测验

6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现

7.在R语言中实现Logistic逻辑回归

8.python用线性回归预测股票价格

9.R语言如何在生存剖析与Cox回归中计算IDI，NRI指标`