原文链接：http://tecdat.cn/?p=26158
弹性网络正则化同时应用 L1 范数和 L2 范数正则化来惩罚回归模型中的系数。为了在 R 中应用弹性网络正则化。在 LASSO回归中，我们为 alpha 参数设置一个 '1' 值，并且在 岭回归中，我们将 '0' 值设置为其 alpha 参数。弹性网络在 0 到 1 的范围内搜索最佳 alpha 参数。在这篇文章中，我们将学习如何在 R 中应用弹性网络正则化。
首先，我们将为本教程创建测试数据集。
df <- data.frame(a,b,c,z) x <- as.matrix(df)\[,-4\]
for (i in 1:length(alpha)) { bst$mse <- c(bet$mse, min(cg$cm)) } inx <- which(bst$mse==min(bst$mse)) betlha <- bs$a\[inex\] be_mse <- bst$mse\[inex\]
接下来，我们再次使用最佳 alpha 进行交叉验证以获得 lambda（收缩水平）。
elacv <- cv(x, v) bestbda <- elacv$lambda.min
现在，我们可以使用函数拟合具有最佳 alpha 和 lambda 值的模型。
coef(elamod)
最后，我们可以使用模型预测测试数据并计算 RMSE、R 平方和 MSE 值。
predict(elasod, x) cat(" RMSE:", rmse, "\\n", "R-squared:", R2, "\\n", "MSE:", mse)
预测结果可视化：
预测结果：
