我想查看是否去岭回归,LASSO,主成分回归(PCR),或偏最小二乘(PLS)中的情况下有大量的变量/特征()和样品的较小数量(Ñ < p),而我的目标是预测。
这是我的理解:
Ridge回归缩小了回归系数,但是使用所有系数而不将其设为。
主成分回归截断成分,使小于n ; 它将丢弃p - n个分量。
偏最小二乘也构造了一组用于回归的输入线性组合,但与PCR不同,它使用(除X之外)进行降维。PCR和PLS回归之间的主要实际区别是,PCR往往需要比PLS更多的组件才能实现相同的预测误差(请参见此处)。
考虑以下虚拟数据(我尝试使用的实际数据是相似的):
#random population of 200 subjects with 1000 variables
M <- matrix(rep(0,200*100),200,1000)
for (i in 1:200) {
set.seed(i)
M[i,] <- ifelse(runif(1000)<0.5,-1,1)
}
rownames(M) <- 1:200
#random yvars
set.seed(1234)
u <- rnorm(1000)
g <- as.vector(crossprod(t(M),u))
h2 <- 0.5
set.seed(234)
y <- g + rnorm(200,mean=0,sd=sqrt((1-h2)/h2*var(g)))
myd <- data.frame(y=y, M)
实现四种方法:
require(glmnet)
# LASSO
fit1=glmnet(M,y, family="gaussian", alpha=1)
# Ridge
fit1=glmnet(M,y, family="gaussian", alpha=0)
# PLS
require(pls)
fit3 <- plsr(y ~ ., ncomp = 198, data = myd, validation = "LOO")
# taking 198 components and using leave-one-out cross validation
summary(fit3)
plot(RMSEP(fit3), legendpos = "topright")
# PCR
fit4 <- pcr(y ~ ., ncomp = 198, data = myd, validation = "LOO")
数据的最佳描述是:
,大多数时候 p > 10 n ;
变量(和Y)以不同程度相互关联。
我的问题是哪种策略最适合这种情况?为什么?