В основном это потому, что ваше значение lambda
слишком мало. lambda<0.001
означает, что ваш штраф настолько мал, что это действительно не имеет значения. Посмотрите на этот «глупый» пример:
Давайте сгенерируем выборочные случайные данные. Обратите внимание, что переменная z
и z1
сильно перевернуты.
library(glmnet)
z<-rnorm(100)
data<-data.frame(y=3+rnorm(100),x1=rnorm(100),x2=rnorm(100),x3=rnorm(100),x4=rnorm(100),x5=rnorm(100),
x6=rnorm(100),x7=rnorm(100),x8=rnorm(100),x9=rnorm(100),x10=rnorm(100),z=z,z1=z+rnorm(100,0,0.3))
Теперь запустить некоторые модели:
gl<-glmnet(y=data$y,x=as.matrix(data[,-1]),alpha = 1)
plot(gl,xvar="lambda")
lambda
равно 0.001
означает log(lambda)=-6.907755
и даже в этой "глупой" пример, где мы могли бы думать, что коэффициенты не будут значительными (поэтому значения должны быть равны 0
), мы получим небольшие, но ненулевые значения (как на графике).
Коэффициент из glmnet
с lambda=0.001
очень похожи на те из glm
(как я уже сказал, маленький lambda
не равны никакого штрафа для бревенчатого вероятности):
gl1<-glmnet(y=data$y,x=as.matrix(data[,-1]),alpha = 1,lambda=0.001)
gl2<-glm(data=data,formula=y~x1+x2+x3+x4+x5+x6+x7+x8+x9+x10+z+z1)
gl1$beta
# x1 -0.10985215
# x2 -0.12337595
# x3 0.06088970
# x4 -0.12714515
# x5 -0.12237959
# x6 -0.01439966
# x7 0.02037826
# x8 0.22288055
# x9 -0.10131195
# x10 -0.04268274
# z -0.04526606
# z1 0.04628616
gl3$coefficients
(Intercept) x1 x2 x3 x4 x5 x6
2.98542594 -0.11104062 -0.12478162 0.06293879 -0.12833484 -0.12385855 -0.01556657
x7 x8 x9 x10 z z1
0.02071605 0.22408006 -0.10195640 -0.04419441 -0.04602251 0.04513612
Теперь посмотрим, что разница на коэффициенты из тех, два метода:
as.vector(gl1$beta)-as.vector(gl2$coefficients)[-1]
# [1] 0.0011884697 0.0014056731 -0.0020490872 0.0011896872 0.0014789566 0.0011669064
# [7] -0.0003377824 -0.0011995019 0.0006444471 0.0015116774 0.0007564556 0.00115004
Можете ли вы опубликовать воспроизводимый пример? сколько наблюдений? – sahir
@sahir. К сожалению, я не мог привести пример, который может воспроизвести ситуацию. У меня около 2000 наблюдений. Я, наконец, заканчиваю использование логистической регрессии и SVM, потому что замечаю, что даже я вручную контролирую уровень лямбда (чтобы он был больше), переменные кадровой регрессии Lasso произвольны. – Rwitch