r - glmnet-可变的重要性？

Question

我正在使用glmnet软件包执行LASSO回归。有没有办法让所选的各个变量变得重要？我考虑过对通过coef(...)命令获得的系数进行排名(即距零的距离越大，变量将越重要)。那是一个有效的方法吗？

谢谢你的帮助!

cvfit = cv.glmnet(x, y, family = "binomial")
coef(cvfit, s = "lambda.min")

## 21 x 1 sparse Matrix of class "dgCMatrix"
##                    1
## (Intercept)  0.14936
## V1           1.32975
## V2           .      
## V3           0.69096
## V4           .      
## V5          -0.83123
## V6           0.53670
## V7           0.02005
## V8           0.33194
## V9           .      
## V10          .      
## V11          0.16239
## V12          .      
## V13          .      
## V14         -1.07081
## V15          .      
## V16          .      
## V17          .      
## V18          .      
## V19          .      
## V20         -1.04341

Answer 1

这是在caret包中完成的。
总而言之，您可以采用最终系数的绝对值并对它们进行排名。排名系数是您可变的重要性。
要查看源代码，您可以输入

caret::getModelInfo("glmnet")$glmnet$varImp

如果您不想使用 caret包，则可以从该包中运行以下几行，它应该可以工作。

varImp <- function(object, lambda = NULL, ...) {

  ## skipping a few lines

  beta <- predict(object, s = lambda, type = "coef")
  if(is.list(beta)) {
    out <- do.call("cbind", lapply(beta, function(x) x[,1]))
    out <- as.data.frame(out, stringsAsFactors = TRUE)
  } else out <- data.frame(Overall = beta[,1])
  out <- abs(out[rownames(out) != "(Intercept)",,drop = FALSE])
  out
}

最后，根据需要调用该函数。

varImp(cvfit, lambda = cvfit$lambda.min)