在R中glmnet()和cv.glmnet()有什么不同？
我正在做一个项目，该项目将展示一组事件对结果的潜在影响。我正在使用glmnet()包，特别是使用Poisson特性。下面是我的代码：
# de <- data imported from sql connection
x <- model.matrix(~.,data = de[,2:7])
y <- (de[,1])
reg <- cv.glmnet(x,y, family = "poisson", alpha = 1)
reg1 <- glmnet(x,y, family = "poisson", alpha = 1)
**Co <- coef(?reg or reg1?,s=???)**
summ <- summary(Co)
c <- data.frame(Name= rownames(Co)[summ$i],
Lambda= summ$x)
c2 <- c[with(c, order(-Lambda)), ]一开始用SQL从我的数据库中导入了大量数据。然后，我将其放入矩阵格式，并将响应与预测值分开。
这就是我感到困惑的地方:我找不出glmnet()函数和cv.glmnet()函数之间的确切区别。我知道cv.glmnet()函数是glmnet()的k重交叉验证，但这在实际中到底意味着什么呢？它们为lambda提供了相同的值，但我希望确保不会遗漏关于两者之间的差异的重要内容。
我也不清楚为什么当我指定alpha=1 (应该是默认的)时，它运行得很好，但如果我省略了它，它就不能运行了。
提前感谢！
回答 2
Stack Overflow用户
发布于 2015-03-29 05:23:39
glmnet()是一个R包，可用于拟合回归模型、套索模型和其他模型。Alpha参数确定适合哪种类型的模型。如果为alpha=0，则适合岭模型；如果为alpha=1，则适合套索模型。
cv.glmnet()执行交叉验证，默认情况下是10倍，可以使用nfolds进行调整。10倍的简历会将你的观察随机分成10个大小大致相等的不重叠的组/折叠组。第一个折叠将用于验证集，模型在9个折叠上拟合。偏差方差优势通常是使用此类模型验证方法的动机。在套索和脊模型的情况下，CV有助于选择调整参数lambda的值。
在您的示例中，您可以执行plot(reg)或reg$lambda.min来查看λ的值，这将导致最小的CV误差。然后，您可以为该lambda值派生Test MSE。默认情况下，glmnet()将为自动选择的lambda范围执行Ridge或Lasso回归，这可能不会给出最低的测试MSE。希望这能有所帮助！
希望这能有所帮助！
Stack Overflow用户
发布于 2016-05-07 19:22:34
在reg$lambda.min和reg$lambda.1se之间；lambda.min显然会给你最低的均方误差，但是，根据你对误差的灵活程度，你可能想要选择reg$lambda.1se，因为这个值会进一步减少预测器的数量。您也可以选择reg$lambda.min和reg$lambda.1se的平均值作为您的lambda值。
https://stackoverflow.com/questions/29311323
复制相似问题
腾讯云开发者
