Entri Blog: Regresi LASSO dan Seleksi Variabel
🔪 Entri Blog: Regresi LASSO dan Seleksi Variabel Tujuan dari analisis $\text{LASSO}$ ini adalah untuk mengidentifikasi subset variabel penjelas yang paling kuat yang memprediksi variabel respons kuantitatif kita, yaitu Indeks Massa Tubuh ( $\text{BMXBMI}$ ) , sambil meminimalkan prediction error melalui shrinkage koefisien. Kami menggunakan $\text{K-Fold Cross-Validation}$ ( $\text{K}=5$ ) untuk menemukan parameter shrinkage ( $\alpha$ atau $\lambda$ ) optimal yang memberikan keseimbangan terbaik antara bias dan variance . Sintaks LASSO Regression (LassoCV) Kami memasukkan enam prediktor ke dalam model: $\text{Usia}$ ( $\text{RIDAGEYR}$ ), $\text{Jenis Kelamin}$ ( $\text{IS\_FEMALE}$ ), $\text{Lingkar Pinggang}$ ( $\text{BMXWAIST}$ ), $\text{Rerata Natrium}$ , $\text{Rerata Kalori}$ , dan $\text{Aktivitas Fisik}$ . Python # Sintaks Persiapan Data (Scaling) scaler = StandardScaler() X_scaled = scaler.fit_transform(X) X_scaled_df = pd.DataFrame(X_scaled, columns=X.columns) #...