r中帶有套索的多元線性回歸
我正在嘗試創建一個簡化模型來預測許多高度相關的因變量 (DV) (~450)。
我的自變量（IV）也很多（~2000）並且高度相關。
如果我使用套索為每個輸出單獨選擇一個簡化模型，我不能保證在循環每個因變量時獲得相同的自變量子集。
是否有使用 R 中的套索的多元線性回歸？
這不是組套索。組套索組IV。我想要多元線性回歸（意味著DV是一個矩陣，而不是一個標量向量），它也實現了套索。（注意：正如 NRH 指出的那樣，這不是真的。組套索是一個通用術語，包括對 IV 進行分組的策略，但也包括對其他參數（例如 DV）進行分組的策略）
我發現這篇論文涉及一種叫做稀疏重疊集套索的東西
這是一些執行多元線性回歸的代碼
> dim(target) [1] 6060 441 > dim(dictionary) [1] 6060 2030 > fit = lm(target~dictionary)這是一些在單個 DV 上做套索的代碼
> fit = glmnet(dictionary, target[,1])這就是我想做的：
> fit = glmnet(dictionary, target) Error in weighted.mean.default(y, weights) : 'x' and 'w' must have the same length一次選擇適合所有目標的特徵
對於多變量響應（因變量數大於 1），您需要
family = "mgaussian"在glmnet.lsgl包是一種替代方案，它提供了更靈活的懲罰。
帶一個維響應，glmnet 包實現懲罰
在哪裡是係數的向量預測器。在幫助頁面中，
glmnet您可以閱讀：前者 [
family = "mgaussian"] 允許擬合多響應高斯模型，對每個變量的係數使用“組套索”懲罰。像這樣將響應捆綁在一起在某些領域稱為“多任務”學習。此懲罰是組套索懲罰的示例，它將與同一預測變量相關聯的不同響應的參數分組。對於給定的調整參數值，它會導致在所有響應中選擇相同的預測變量。
lsgl 包實現形式的稀疏組套索懲罰
在哪裡和是為了平衡不同術語的貢獻而選擇的某些權重。默認是和. 參數是一個調整參數。和（和) 懲罰等同於 with 使用的
glmnet懲罰family = "mgaussian"。和（和) 罰則為普通套索。lsgl 實現還允許對預測變量進行額外分組。 **關於組套索的說明。**術語組套索通常與一組預測變量相關聯。然而，從更一般的角度來看，組套索只是懲罰中的一組參數。glmnetwith使用family = "mgaussian"的分組是跨響應的參數分組。這種分組的效果是將響應中的參數估計耦合起來，如果可以從大致相同的一組預測變量中預測所有響應，那麼這將是一個好主意。耦合多個學習問題的一般思想，期望共享一些結構，被稱為多任務學習。