如何在 R 中使用 log-link 进行岭回归
how to do ridge regression with log-link in R
我想在 R 中使用 glmnet 或 lm.ridge 进行岭回归。
我需要用 log(Y)
做这个回归
cost ~ size + weight ⇒ log(cost) ~ size + weight
但是，我发现glmnet或lm.ridge没有像glm这样的link。
对这个问题有什么想法吗？
对 ?glmnet 函数使用 alpha 输入参数（值为 0）。正如文档所说：
alpha=1 is the lasso penalty, and alpha=0 the ridge penalty.
尝试如下操作：
glmnet(x=cbind(size, weight), y=log(cost), alpha=0, family='gaussian')
或者可能与泊松回归
glmnet(x=cbind(size, weight), y=cost, alpha=0, family='poission')
如果你的输入数据不是太大，你可以直接使用公式solve(t(X)%*%X + λ*I)%*%(t(X)%*%y)从训练数据中通过岭回归计算学习到的权重，其中X是您的输入变量矩阵，y 是响应变量，I 是单位矩阵，您可以使用 [= 了解 lambda 参数的最佳值23=]来自 held-out 数据集的交叉验证。
我想在 R 中使用 glmnet 或 lm.ridge 进行岭回归。
我需要用 log(Y)
cost ~ size + weight ⇒ log(cost) ~ size + weight
但是，我发现glmnet或lm.ridge没有像glm这样的link。
对这个问题有什么想法吗？
对 ?glmnet 函数使用 alpha 输入参数（值为 0）。正如文档所说：
alpha=1 is the lasso penalty, and alpha=0 the ridge penalty.
尝试如下操作：
glmnet(x=cbind(size, weight), y=log(cost), alpha=0, family='gaussian')
或者可能与泊松回归
glmnet(x=cbind(size, weight), y=cost, alpha=0, family='poission')
如果你的输入数据不是太大，你可以直接使用公式solve(t(X)%*%X + λ*I)%*%(t(X)%*%y)从训练数据中通过岭回归计算学习到的权重，其中X是您的输入变量矩阵，y 是响应变量，I 是单位矩阵，您可以使用 [= 了解 lambda 参数的最佳值23=]来自 held-out 数据集的交叉验证。