原文連結：http://tecdat.cn/?p=25158
原文出處：拓端數據部落公眾號
本文擬合具有分組懲罰的線性回歸、GLM和Cox回歸模型的正則化路徑。這包括組選擇方法，如組lasso套索、組MCP和組SCAD，以及雙級選擇方法，如組指數lasso、組MCP。還提供了進行交叉驗證以及擬合後可視化、總結和預測的實用程序。
本文提供了一些數據集的例子；涉及識別與低出生體重有關的風險因素。結果是連續測量（bwt，以公斤為單位的出生體重），也可以是二分法（低），即新生兒出生體重低（低於2.5公斤）。
head(X)
原始設計矩陣由 8 個變量組成，此處已將其擴展為 16 個特徵。例如，有多個種族指標函數（「其他」是參考組），並且已經使用多項式對比擴展了幾個連續因素（例如年齡）（樣條曲線會給出類似的結構）。因此，設計矩陣的列被 分組；這就是組的設計目的。分組信息編碼如下：
group
在這裡，組是作為一個因子給出的；唯一的整數代碼（本質上是無標籤的因子）和字符向量也是允許的（然而，字符向量確實有一些限制，因為組的順序沒有被指定）。要對這個數據擬合一個組套索lasso模型。
gLas(X, y，grup）
然後我們可以用以下方法繪製係數路徑
plot
請注意，當一個組進入模型時（例如，綠色組），它的所有係數都變成非零；這就是組套索模型的情況。要想知道這些係數是什麼，我們可以使用coef。
請注意，在λ=0.05時，醫生的就診次數不包括在模型中。
為了推斷模型在各種 λ值下的預測準確性，進行交叉驗證。
cv(X, y, grp)
可以通過coef以下方式獲得與最小化交叉驗證誤差的 λ 值對應的係數 ：
coef(cvfit)
預測值可以通過 獲得 predict，它有許多選項：
predict # 對新觀察結果的預測
predicttype="ngroups" # 非零組的數量
# 非零組的身份
nvars # 非零係數的數量
predict(fit # 非零係數的身份
原始擬合（對完整數據集）返回為fit; 其他幾種懲罰是可用的，邏輯回歸和 Cox 比例風險回歸的方法也是如此。
最受歡迎的見解
1.R語言多元Logistic邏輯回歸 應用案例
2.面板平滑轉移回歸(PSTR)分析案例實現
3.matlab中的偏最小二乘回歸（PLSR）和主成分回歸（PCR）
4.R語言泊松Poisson回歸模型分析案例
5.R語言回歸中的Hosmer-Lemeshow擬合優度檢驗
6.r語言中對LASSO回歸，Ridge嶺回歸和Elastic Net模型實現
7.在R語言中實現Logistic邏輯回歸
8.python用線性回歸預測股票價格