岭参数的一般选择原则选择k（或lambda）值，使得：各回归系数的岭估计基本稳定用最小二乘估计时符号不合理的回归系数，其岭回归的符号变得合理回归系数没有不合乎实
岭参数的一般选择原则
- 选择k（或lambda）值，使得：
- 各回归系数的岭估计基本稳定
- 用最小二乘估计时符号不合理的回归系数，其岭回归的符号变得合理
- 回归系数没有不合乎实际意义的绝对值
- 残差平方和增大的不多
用R语言进行岭回归
这里使用MASS包中的longley数据集，进行岭回归分析（longley数据集中的变量具有显著的多重共线性）。从而分析使用岭回归进行多重共线性的解决。
首相将longley数据集中的第一列数据命名为“y”，并使用岭回归创建线性模型：
显示当y为因变量，其余各个变量为自变量时，直接构建线性模型的统计结果如下：
可见，虽然线性回归的Multiple R-squared： 0.9926是一个很高的值。但各个变量的显著性检验却很差，同样说明直接使用线性模型的拟合效果并不是很理想。
制定岭参数lamdba从0-0.1，每次变化的长度为0.001，并绘制岭迹图，如下：
详细岭回归的岭迹图如下：
从岭迹图中可以看出，当lambda=0时，图像不稳定。因此，可以说明这里的变量存在多重共线性。
现在需要对岭参数lambda进行选择：
可以看出，这里由于使用了不同的估计方法，从而可以得到几个不同的岭参数的估计。通常取GCV估计，或者结合几个结果进行取值。这里取lambda=0.006。
使用R的ridge包的时候，出现如下问题：
岭回归的问题
- 岭参数计算方法太多，差异太大
- 根据岭迹图进行变量筛选，随意性太大
- 岭回归返回的模型（如果没哟经过变量筛选）包含所有的变量
- 而且，对于使用岭回归进行变量的筛选，目前只能作为一个扩展计算视野的方法，而在实际使用中，会出现很多问题。
到此这篇关于R语言实现岭回归的示例代码的文章就介绍到这了,更多相关R语言 岭回归内容请搜索好代码网以前的文章或继续浏览下面的相关文章希望大家以后多多支持好代码网！
