バイオ・データ・マイニング/Rで回帰分析するのバックアップ差分(No.1)

追加された行はこの色です。
削除された行はこの色です。

*はじめに [#gc93c04a]

『Rによるバイオインフォマティクスデータ解析』の7.17節LASSOを参考にして，回帰分析をします．

#html{{
<iframe src="http://rcm-jp.amazon.co.jp/e/cm?t=tohgoroh-22&o=9&p=8&l=as1&asins=4320057082&ref=tf_til&fc1=444B4C&IS2=1&lt1=_blank&m=amazon&lc1=444B4C&bc1=FFFFFF&bg1=FFFFFF&f=ifr" style="width:120px;height:240px;" scrolling="no" marginwidth="0" marginheight="0" frameborder="0"></iframe>
}}

LASSO回帰の前に，線形回帰と最小二乗法をやります．


*準備 [#e708ecca]

まずは，標準で使用できるirisデータを使います．

このデータは，ユリの種類（Species）を花びらの長さ（Sepal.Length），幅（Lepal.Width），がくの長さ（Petal.Length），幅（Petal.Width）によって分類する問題です．
長さと幅は連続値，種類はsetosa, versicolor, virginicaのいずれかをとる離散値です．

#geshi(sh){{
> data(iris)
> names(iris)
[1] "Sepal.Length" "Sepal.Width"  "Petal.Length" "Petal.Width"  "Species"     
}}

ここでは，がくの長さ（Petal.Length）を被説明変数（目的変数）として，花びらの長さ（Sepal.Length）を説明変数としてモデルを学習します．

この関係をプロットすると次のようになります．

#geshi(sh){{
> plot(iris$Sepal.Length, iris$Petal.Length)
}}

#ref(iris_rawdata.png);



*最小二乗法 [#aac422ee]





*線形回帰 [#s1fe6159]

まずは，線形モデルによる回帰を行います．


ここでは，線形回帰，LASSO回帰，Ridge回帰を行います．

LASSO回帰はglmnetパッケージに含まれています．
glmnetパッケージは
そこで，glmnetパッケージをインストールして，使用します．

#geshi(sh){{
> install.packages("glmnet")
> library(glmnet)
}}

データは，標準で使えるiris，glmnet

バイオ・データ・マイニング/Rで回帰分析する のバックアップ差分(No.1)

バイオ・データ・マイニング/Rで回帰分析するのバックアップ差分(No.1)