原文链接：http://tecdat.cn/?p=18840

原文出处：拓端数据部落公众号

这篇文章中我们可以编写自己的代码来计算套索(lasso)回归，

我们必须定义阈值函数

R函数是

1. thresh = function(x,a){

2. sign(x) * pmax(abs(x)-a,0)

3. }

要解决我们的优化问题，设置

这样就可以等效地写出优化问题

因此

一个得到

同样，如果有权重ω=（ωi），则按坐标更新将变为

计算此分量下降的代码是

1. lasso = function(X,y,beta,lambda,tol=1e-6,maxiter=1000){

2. 


3. beta0 = sum(y-X%*%beta /(length(y))

4. beta0list[1] = beta0

5. for (j in 1:maxiter){

6. for (k in 1:length beta)){

7. r = y - X[,-k]%*%beta[-k] - beta0*rep(1,length(y )

8. beta[k] = (1/sum(omega*X[,k]^2) *

9. threshog(t(omega*r)%*%X[,k ,length(y *lambda)

10. }

11. beta0 = sum(y-X%*%beta)/(length(y))

12. 


13. 


14. obj[j] = (1/2)*(1/length(y))*norm(omega*(y - X%*%beta -

15. beta0*rep(1,length(y))),'F')^2 + lambda*sum(abs(beta))

16. if (norm(rbind(beta0list[j],betalist[[j]]) -

17. rbind(beta0,beta),'F') ) { break }

 例如，考虑以下（简单）数据集，其中包含三个协变量

chicago = read.table("data.txt",header=TRUE,sep=";")

我们可以“标准化”

1. 


2. for(j in 1:3) X[,j] = (X[,j]-mean(X[,j]))/sd(X[,j])

3. 


4. y = (y-mean(y))/sd(y)

 要初始化算法，使用OLS估算

lm(y~0+.,)$coef

例如

1. 


2. lasso(X,y,beta_init,lambda=.001)

3. $obj

4. [1] 0.001014426 0.001008009 0.001009558 0.001011094 0.001011119 0.001011119

5. 


6. $beta

7. [,1]

8. X_1 0.0000000

9. X_2 0.3836087

10. X_3 -0.5026137

11. 


12. $intercept

13. [1] 2.060999e-16

 我们可以通过循环获得标准的lasso图

最受欢迎的见解

1.R语言多元Logistic逻辑回归 应用案例

2.面板平滑转移回归(PSTR)分析案例实现

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回归模型分析案例

5.R语言回归中的Hosmer-Lemeshow拟合优度检验

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语言如何在生存分析与Cox回归中计算IDI，NRI指标