原文链接：http://tecdat.cn/?p=25158
本文介绍具有分组惩罚的线性回归、GLM和Cox回归模型的正则化路径。这包括组选择方法，如组lasso套索、组MCP和组SCAD，以及双级选择方法，如组指数lasso、组MCP（点击文末“阅读原文”获取完整代码数据）。
还提供了进行交叉验证以及拟合后可视化、总结和预测的实用程序。
本文提供了一些数据集的例子；涉及识别与低出生体重有关的风险因素（查看文末了解数据获取方式）。结果是连续测量（bwt，以公斤为单位的出生体重），也可以是二分法（低），即新生儿出生体重低（低于2.5公斤）。
head(X)
相关视频
原始设计矩阵由 8 个变量组成，此处已将其扩展为 16 个特征。例如，有多个种族指标函数（“其他”是参考组），并且已经使用多项式对比扩展了几个连续因素（例如年龄）（样条曲线会给出类似的结构）。因此，设计矩阵的列被 _分组_；这就是_组_的设计目的。分组信息编码如下：
group
在这里，组是作为一个因子给出的；唯一的整数代码（本质上是无标签的因子）和字符向量也是允许的（然而，字符向量确实有一些限制，因为组的顺序没有被指定）。要对这个数据拟合一个组套索lasso模型。
gLas(X, y，grup）然后我们可以用以下方法绘制系数路径
plot
点击标题查阅往期内容
R语言实现贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归分析
左右滑动查看更多
01
02
03
04
请注意，当一个组进入模型时（例如，绿色组），它的所有系数都变成非零；这就是组套索模型的情况。要想知道这些系数是什么，我们可以使用coef。
请注意，在λ=0.05时，医生的就诊次数不包括在模型中。
为了推断模型在各种 λ值下的预测准确性，进行交叉验证。
cv(X, y, grp)
可以通过coef以下方式获得与最小化交叉验证误差的 λ 值对应的系数 ：
coef(cvfit)
预测值可以通过 获得 predict，它有许多选项：
predict # 对新观察结果的预测
predicttype="ngroups" # 非零组的数量
# 非零组的身份
nvars # 非零系数的数量
predict(fit # 非零系数的身份
原始拟合（对完整数据集）返回为fit; 其他几种惩罚是可用的，逻辑回归和 Cox 比例风险回归的方法也是如此。
本文中分析的数据分享到会员群，扫描下面二维码即可加群！
本文摘选《R语言群组变量选择、组惩罚group lasso套索模型预测分析新生儿出生体重风险因素数据和交叉验证、可视化》，点击“阅读原文”获取全文完整资料。
点击标题查阅往期内容
【视频】Lasso回归、岭回归等正则化回归数学原理及R语言实例
R语言Lasso回归模型变量选择和糖尿病发展预测模型
用LASSO，adaptive LASSO预测通货膨胀时间序列
MATLAB用Lasso回归拟合高维数据和交叉验证
群组变量选择、组惩罚group lasso套索模型预测新生儿出生体重风险因素数据和交叉验证、可视化
高维数据惩罚回归方法：主成分回归PCR、岭回归、lasso、弹性网络elastic net分析基因数据
Python高维变量选择:SCAD平滑剪切绝对偏差惩罚、Lasso惩罚函数比较
R使用LASSO回归预测股票收益
广义线性模型glm泊松回归的lasso、弹性网络分类预测学生考试成绩数据和交叉验证
贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归分析免疫球蛋白、前列腺癌数据
R语言RSTAN MCMC：NUTS采样算法用LASSO 构建贝叶斯线性回归模型分析职业声望数据
r语言中对LASSO回归，Ridge岭回归和弹性网络Elastic Net模型实现
R语言高维数据惩罚回归方法：主成分回归PCR、岭回归、lasso、弹性网络elastic net分析基因数据（含练习题）
广义线性模型glm泊松回归的lasso、弹性网络分类预测学生考试成绩数据和交叉验证
贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归分析免疫球蛋白、前列腺癌数据
R语言RSTAN MCMC：NUTS采样算法用LASSO 构建贝叶斯线性回归模型分析职业声望数据
r语言中对LASSO回归，Ridge岭回归和弹性网络Elastic Net模型实现
R语言高维数据惩罚回归方法：主成分回归PCR、岭回归、lasso、弹性网络elastic net分析基因数据（含练习题）
Python中LARS和Lasso回归之最小角算法Lars分析波士顿住房数据实例
R语言自适应LASSO 多项式回归、二元逻辑回归和岭回归应用分析
R语言惩罚logistic逻辑回归（LASSO,岭回归）高维变量选择的分类模型案例
Python中的Lasso回归之最小角算法LARS
r语言中对LASSO回归，Ridge岭回归和弹性网络Elastic Net模型实现
R语言实现LASSO回归——自己编写LASSO回归算法
r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现
R使用LASSO回归预测股票收益
R语言如何和何时使用glmnet岭回归
R语言中的岭回归、套索回归、主成分回归：线性模型选择和正则化
Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测
R语言arima，向量自回归（VAR），周期自回归(PAR)模型分析温度时间序列
【视频】Python和R语言使用指数加权平均(EWMA)，ARIMA自回归移动平均模型预测时间序列
Python用ARIMA和SARIMA模型预测销量时间序列数据
欲获取全文文件，请点击左下角“阅读原文”。
文章来源：https://www.toymoban.com/news/detail-599975.html
文章来源地址https://www.toymoban.com/news/detail-599975.html
到了这里，关于群组变量选择、组惩罚group lasso套索模型预测新生儿出生体重风险因素数据和交叉验证、可视化...的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
