English
资源说明：#glmnet包含有线性回归，逻辑回归，泊松计数模型，cox回归模型，多分类逻辑回归多响应线性回归
#阿法系数=0是岭回归，阿法系数=1，是lasso回归
############################################################
data(QuickStartExample)
#20 Independent variables and 1 dependent variable
fit<-glmnet(x,y)
#查看计算路径
print(fit)#Df是非零系数的个数，第三列是惩罚力度，第二列是相应的惩罚力度对应的解释偏差百分比
#利用coef来提取模型的系数
coef(fit,s=0.1)
#可视化
plot(fit)
#预测
#参数newx用来设置输入数据，s用来设置朗姆塔（惩罚力度）的值
nx<-matrix(rnorm(10*20),10,20)
predict(fit,newx=nx,s=c(0.1,0.05))
#交叉验证，筛选最优的朗姆塔的值，cv.glmnet函数实现这个功能
cvfit<-cv.glmnet(x,y)
plot(cvfit)#红色散点为交叉验证的散点图，两条垂直的虚线为交叉验证后选定的朗姆塔
#提取最优的朗姆塔的值
cvfit$lambda.min#均方误差最小
cvfit$lambda.1se#一倍标准差
#根据朗姆塔来取得系数
coef(cvfit,s='lambda.min')
#将稀疏矩阵转化为传统矩阵
as.matrix(coef(cvfit,s='lambda.min'))
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
