Question

这是我的代码：

library(MASS)
library(caret)
df <- Boston
set.seed(3721)
cv.10.folds <- createFolds(df$medv, k = 10)
lasso_grid <- expand.grid(fraction=c(1,0.1,0.01,0.001))
lasso <- train(medv ~ ., 
               data = df, 
               preProcess = c("center", "scale"),
               method ='lasso',
               tuneGrid = lasso_grid,
               trControl= trainControl(method = "cv", 
                                       number = 10, 
                                       index = cv.10.folds))  

lasso

与线性模型不同，我无法从摘要（套索）中找到Lasso回归模型的系数。我该怎么办？或者也许我可以使用glmnet？

Answer 1

使用24进行训练时，elasticnet的enet称为：

小插图写道：

LARS-EN算法可计算完整的弹性网解同时对同一收缩参数的所有值计算成本最小二乘拟合

在method="lasso"下，您拥有与lasso$finalModel$call elasticnet::enet(x = as.matrix(x), y = y, lambda = 0)下的L1范数的16个值相对应的所有16组系数的系数：

lasso$finalModel$beta.pure

您也可以使用预测来查看它：

lasso$finalModel$L1norm

通过插入符号调整的超参数是最大L1范数的分数，因此在您提供的结果中，它将为1，即最大值：

length(lasso$finalModel$L1norm)
[1] 16

dim(lasso$finalModel$beta.pure)
[1] 16 13

要获取最佳分数的系数，请执行以下操作：

predict(lasso$finalModel,type="coef")
$s
 [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16

$fraction
 [1] 0.00000000 0.06666667 0.13333333 0.20000000 0.26666667 0.33333333
 [7] 0.40000000 0.46666667 0.53333333 0.60000000 0.66666667 0.73333333
[13] 0.80000000 0.86666667 0.93333333 1.00000000

$mode
[1] "step"

$coefficients
          crim        zn       indus      chas        nox       rm        age
0   0.00000000 0.0000000  0.00000000 0.0000000  0.0000000 0.000000 0.00000000
1   0.00000000 0.0000000  0.00000000 0.0000000  0.0000000 0.000000 0.00000000
2   0.00000000 0.0000000  0.00000000 0.0000000  0.0000000 1.677765 0.00000000
3   0.00000000 0.0000000  0.00000000 0.0000000  0.0000000 2.571071 0.00000000
4   0.00000000 0.0000000  0.00000000 0.0000000  0.0000000 2.716138 0.00000000
5   0.00000000 0.0000000  0.00000000 0.2586083  0.0000000 2.885615 0.00000000
6  -0.05232643 0.0000000  0.00000000 0.3543411  0.0000000 2.953605 0.00000000
7  -0.13286554 0.0000000  0.00000000 0.4095229  0.0000000 2.984026 0.00000000
8  -0.21665925 0.0000000  0.00000000 0.5196189 -0.5933941 3.003512 0.00000000
9  -0.32168140 0.3326103  0.00000000 0.6044308 -1.0246080 2.973693 0.00000000
10 -0.33568474 0.3771889 -0.02165730 0.6165190 -1.0728128 2.967696 0.00000000
11 -0.42820289 0.4522827 -0.09212253 0.6407298 -1.2474934 2.932427 0.00000000
12 -0.62605363 0.7005114  0.00000000 0.6574277 -1.5655601 2.832726 0.00000000
13 -0.88747102 1.0150162  0.00000000 0.6856705 -1.9476465 2.694820 0.00000000
14 -0.91679342 1.0613165  0.09956489 0.6837833 -2.0217269 2.684401 0.00000000
15 -0.92906457 1.0826390  0.14103943 0.6824144 -2.0587536 2.676877 0.01948534

Answer 2

我注意到，如果为超参数调整定义了自己的网格，则使用上述方法可能会出现问题。 Predict.enet似乎强加了自己的网格，该网格通常不对应于为train（）定义的网格。

在这种情况下，可以将“模式”参数设置为“分数”，并提供从train（）输出到“ s”参数的分数矢量：

predict(lasso$finalModel, type = "coef", mode = "fraction", s = lasso$bestTune)

“ S”也可以是由train（）确定的最佳调整参数：

predict(lasso$finalModel, type = "coef", mode = "fraction", s = as.numeric(lasso$bestTune))

^{由reprex package（v0.3.0）于2020-09-11创建}

我该如何获得Lasso模型的系数？

2 个答案: