正规化泊松回归

此示例显示了如何从广义线性模型中识别和删除冗余预测变量。

使用20个预测变量创建数据，并仅使用三个预测变量，以及一个常数来创建泊松响应。

rng（'默认'）％可再现性x = randn（100,20）;mu = exp（x（：，[5 10 15]））*[。4; .2; .3] + 1）;y = poissrnd（mu）;

构建数据的泊松回归模型的交叉验证拉索正则化。

[b，fitinfo] = lassoglm（x，y，“泊松”，，，，'简历'，10）;

检查交叉验证图，以查看兰姆达正则化参数。

Lassoplot（B，Fitinfo，“ plottype'，，，，'简历'）；传奇（'节目'）％显示传奇

绿色圆圈和虚线定位兰姆达带有最小的交叉验证误差。蓝色圆圈和虚线以最小的交叉验证误差以及一个标准偏差定位。

找到与两个识别点相对应的非零模型系数。

nimpts = find（b（：，fitinfo.indexmindeviance））

分子=7×13 5 6 10 11 15 16

min1pts = find（b（：，fitinfo.index1se））

min1pts =3×15 10 15

最小值加一个标准误差点的系数正是用于创建数据的系数。

在最小值加一个标准误差点处找到模型系数的值。

b（Min1pts，fitinfo.index1se）

ans =3×10.2903 0.0789 0.2081

如预期的那样，系数的值小于原始[0.4,0.2,0.3]。拉索（Lasso）通过“收缩”作用，它偏向于零的预测系数。

恒定术语在fitinfo.thercept向量。

fitinfo.intercept（fitinfo.index1se）

ANS = 1.0879

常数项接近1，这是用于生成数据的值。