基于R语言实现Lasso回归分析

Python09

基于R语言实现Lasso回归分析,第1张

基于R语言实现Lasso回归分析主要步骤：将数据存成csv格式，逗号分隔在R中，读取数据，然后将数据转成矩阵形式加载lars包，先安装调用lars函数确定Cp值最小的步数确定筛选出的变量，并计算回归系数具体代码如下： 需要注意的地方： 1、数据读取的方法，这里用的file.choose( )，这样做的好处是，会弹出窗口让你选择你要加载进来的文件，免去了输入路径的苦恼。 2、数据要转为矩阵形式 3、（la） 可以看到R方，这里为0.66，略低 4、图如何看？ summary的结果里，第1步是Cp最小的，在图里，看到第1步与横轴0.0的交界处，只有变量1是非0的。所以筛选出的是nongyangungunPs: R语言只学习了数据输入，及一些简单的处理，图形可视化部分尚未学习，等论文写完了，再把这部分认真学习一下~~在这里立个flag

举个例子：

一般人在身高相等的情况下，血压收缩压Y与体重X1和年龄X2有关，抽取13组成年人数据（如下图），构建Y与X1、X2的线性回归关系。

1.先创建一个数据框blood：

  blood<-data.frame(

     X1=c(76,91.5,85.5,82.5,79,80.5,74.5,79,85,76.5,82,95,92.5),

    X2=c(50,20,20,30,30,50,60,50,40,55,40,40,20),

     Y=c(120,141,124,126,117,125,123,125,132,123,132,155,147)

                                )

2.拟合线性回归：

  lm.sol<-lm(Y~X1+X2,data=blood)

  提取模型计算结果

  summary(lm.sol)

这里说一下含义：

1、在计算结果的第一部分（call）列出了相应的回归模型公式；

2、第二部分（Residuals）列出了残差的最小值点、1/4分位点、3/4分位点、最大值点；

3、第三方部分（Coefficients）Estimate表示回归方程参数的估计，std.Error表示回归参数的标准差，t value 为t值，Pr（>|t|）表示p值

说明一下：***表示极为显著，**表示高度显著，*表示显著，.表示不太显著，没有记号表示不显著

4、第四部分（Residual standard error）表示残差的标准差，（F-statistic）表示F的统计量

通过上面的结果可以看出回归模型：Y=2.13656X1+0.40022X2-62.96336

我们根据得出的回归模型进行预测

例如：预测体重X1=100，年龄X2=40的血压值Y

newdata<-data.frame(X1=100,X2=40)

pre<-predict(lm.sol,newdata,interval="prediction",level=0.95)

pre

从结果可以预测值Y166.7011和预测值Y的区间[157.2417,176,1605]