正则化线性模型+岭回归+lasso回归+弹性网络+糖尿病数据案例分析

1、岭回归+lasso回归+弹性网络

岭回归的由来以及效果在上一篇博客中已经介绍过了，这里用另一种方法介绍：
在原损失函数中添加惩罚项，控制拟合参数的大小，即添加正则项。使正则项和原最小二乘法之和达到最小时，求得的参数为最后解。

lasso添加的正则项稍有不同，弹性网络则结合了lasso和岭回归。
j

岭回归：

lasso:

弹性网络：

小结：

岭回归比较常用，当自变量较多时，而有用的变量可能较少时，lasso和弹性网络更常用。其中弹性网络应用更为广泛，很多时候效果更好。

糖尿病数据案例分析

这里仅仅展现lasso部分:

library("lars")
data=