嶺參數(shù)的一般選擇原則

• 選擇k（或lambda）值，使得：
• 各回歸系數(shù)的嶺估計(jì)基本穩(wěn)定
• 用最小二乘估計(jì)時(shí)符號不合理的回歸系數(shù)，其嶺回歸的符號變得合理
• 回歸系數(shù)沒有不合乎實(shí)際意義的絕對值
• 殘差平方和增大的不多

用R語言進(jìn)行嶺回歸

這里使用MASS包中的longley數(shù)據(jù)集，進(jìn)行嶺回歸分析（longley數(shù)據(jù)集中的變量具有顯著的多重共線性）。從而分析使用嶺回歸進(jìn)行多重共線性的解決。

首相將longley數(shù)據(jù)集中的第一列數(shù)據(jù)命名為“y”，并使用嶺回歸創(chuàng)建線性模型：

顯示當(dāng)y為因變量，其余各個(gè)變量為自變量時(shí)，直接構(gòu)建線性模型的統(tǒng)計(jì)結(jié)果如下：

可見，雖然線性回歸的Multiple R-squared： 0.9926是一個(gè)很高的值。但各個(gè)變量的顯著性檢驗(yàn)卻很差，同樣說明直接使用線性模型的擬合效果并不是很理想。

制定嶺參數(shù)lamdba從0-0.1，每次變化的長度為0.001，并繪制嶺跡圖，如下：

詳細(xì)嶺回歸的嶺跡圖如下：

從嶺跡圖中可以看出，當(dāng)lambda=0時(shí)，圖像不穩(wěn)定。因此，可以說明這里的變量存在多重共線性。

現(xiàn)在需要對嶺參數(shù)lambda進(jìn)行選擇：

可以看出，這里由于使用了不同的估計(jì)方法，從而可以得到幾個(gè)不同的嶺參數(shù)的估計(jì)。通常取GCV估計(jì)，或者結(jié)合幾個(gè)結(jié)果進(jìn)行取值。這里取lambda=0.006。

使用R的ridge包的時(shí)候，出現(xiàn)如下問題：

嶺回歸的問題

• 嶺參數(shù)計(jì)算方法太多，差異太大
• 根據(jù)嶺跡圖進(jìn)行變量篩選，隨意性太大
• 嶺回歸返回的模型（如果沒喲經(jīng)過變量篩選）包含所有的變量
• 而且，對于使用嶺回歸進(jìn)行變量的篩選，目前只能作為一個(gè)擴(kuò)展計(jì)算視野的方法，而在實(shí)際使用中，會出現(xiàn)很多問題。

到此這篇關(guān)于R語言實(shí)現(xiàn)嶺回歸的示例代碼的文章就介紹到這了,更多相關(guān)R語言 嶺回歸內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論