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器。

用20个预测器创建数据，只使用只有三个预测器以及泊泊响应以及常数。

RNG（'默认'的）再现性的百分比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的套索正则化。

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

检查交叉验证情节以查看效果lambda.正则化参数。

Lassoplot（B，FitInfo，'plottype'那'简历'）;传奇（'展示'的）％显示传奇

绿色圆圈和虚线定位lambda.具有最小交叉验证错误。蓝色圆圈和虚线定位具有最小交叉验证错误加上一个标准偏差的点。

找到与两个已识别的点对应的非零模型系数。

Minpts =查找（b（：，fitinfo.indexmindeviance））））

minpts =7×13 5 6 10 11 15 16

min1pts = find（b（：，fitinfo.index1se））））

min1pts =3×15 10 15.

来自最小加标准错误点的系数正是用于创建数据的系数。

在最小加上一个标准错误点找到模型系数的值。

B（min1pts，fitinfo.index1se）

ANS =.3×10.2903 0.0789 0.2081

正如预期的那样，系数的值小于原件[0.4,0.2,0.3]。套索通过“收缩”，使预测器系数偏向零。

恒定的术语在于fitinfo.intercept.向量。

fitinfo.intercept（fitinfo.index1se）

ans = 1.0879.

恒定项近1，这是用于生成数据的值。