[R语言] 拓端tecdat|R语言Bootstrap的岭回归和自适应LASSO回归可视化

# 加载CBI数据
# 子集所需的变量（又称，列）
CBI_sub <- CBI
# 重命名变量列(节省大量的输入)
names(CBI_sub)[1] <- "cbi"

# 只要完整案例，删除缺失值。
CBI_sub <- CBI_sub[complete.cases(CBI_sub),]
#现在检查一下CBI_sub里面的内容
names(CBI_sub)

# 设置控制参数
control = method = "cv",number=5)   # 5折CV
cbi ~ ., data = CBI_sub, method = "glmnet",
        trControl = control, preProc = c("center","scale"),  # 中心和标准化数据
 
# 得到系数估计值（注意，我们真正关心的是β值，而不是S.E.）。
coef(ridge_caret.fit, bestTune$lambda)

cbi ~ ., data = CBI_sub, method = "glmnet",
        tuneGrid = expand.grid(alpha = 1,  
# 获得系数估计
coef(lasso_caret,bestTunelambda)

# 拟合岭回归模型
 glmnet(X, Y, alpha = 0)
#检查glmnet模型的输出（注意我们拟合了一个岭回归模型
#记得使用print()函数而不是summary()函数 
print(glmnet.fit)

# 输出最佳lamda处的岭回归coefs
coef(glmnet.fit, s = lambda.1se)

# 
plot(ridge_glmnet.fit, label = TRUE)

par(mfrow=c(1,2))  # 建立1乘2的绘图环境
plot_glmnet(ridge_glmnet.fit, xvar = "lambda", label=6, xlab = expression(paste("log(", lambda, ")")), ylab = expression(beta))   # "标签"是指你想让图表显示的前N个变量。

# 进行变量选择，比如说，我想根据λ>0.1的标准或其他一些值来选择实际系数。
coef(ridge_glmnet.fit, s = 0.1)

#  
plot(cv.ridge)
# 我们可以查看选定的lambda和相应的系数。例如：
lambda.min

# 根据最小的lambda（惩罚）选择变量

#  lambda.min是λ的值，它使交叉验证的平均误差最小
# 选择具有最大惩罚性的一个
coef

## 对lasso模型做同样的处理

# 加载CBI数据
CBI <- read.csv("dat.csv")
#对需要的变量进行取子集（列）
names(CBI)<- "cbi"

fitpoly(degree = 2, thre = 1e-4)   # 设置多项式的度数为2

boot(poly.fit1, nboot = 5)   #5次bootstrap迭代

# 交叉验证，10折CV
cbi ~ ., data = CBI_sub, degrees.cv = 1:3,)

# 提取最佳模型并进行bootstrap
boot(cv.pred, nboot = 5)   # 5次bootstrap
# 绘制cv.boot的预测值的边际效应
marg(cv.boot))

#如果你想要S.E.，通过bootstrap模拟得到它。
library(boot)
boot(CBI_sub, function(data, idx) 
bootSamples