代碼
// elasticnet code snippet
proc glmselect data=BIAO.fitness plots=coefficients;
model Weight = Age Oxy Runtime RunPulse RstPulse MaxPulse /selection = elasticnet(choose=AICC);
partition fraction(validate=0.3); /* Optionally partition data for validation */
run;
// lasso code snippet
proc glmselect data=BIAO.fitness plots=coefficients;
model Weight = Age Oxy Runtime RunPulse RstPulse MaxPulse /selection = lasso(choose=AICC);
partition fraction(validate=0.3); /* Optionally partition data for validation */
run;
操作步驟及程序設(shè)定
- 登錄 SAS Studio 后，創(chuàng)建一個(gè)新文件夾 (例如截圖中的 wei0908)
- 選中你創(chuàng)建的新文件夾，并點(diǎn)擊上傳圖標(biāo)，上傳你的數(shù)據(jù)文件
- 在右側(cè)，點(diǎn)擊多點(diǎn)按鈕，選擇 “新建導(dǎo)入數(shù)據(jù)“
- 將左側(cè)的 wei0908 文件夾下的 Fitness.xlsx 文件拖到右側(cè)的畫(huà)布上。
- 默認(rèn)情況下，導(dǎo)入的數(shù)據(jù)集名為 “import”; 點(diǎn)擊 “更改” 按鈕，將數(shù)據(jù)集名稱(chēng)重命名為 Fitness。
- 點(diǎn)擊 “運(yùn)行” 按鈕。
這個(gè)時(shí)候你的數(shù)據(jù)集就是
WORK.Fitness
- 創(chuàng)建 SAS 程序文件
- 保存并運(yùn)行該程序文件
軟件窗口的截圖
運(yùn)行結(jié)果
結(jié)果分析
兩個(gè)模型（Elastic Net 模型與 Lasso 模型）的異同點(diǎn)如下：
相同點(diǎn)：
- 數(shù)據(jù)與目標(biāo)變量
均使用數(shù)據(jù)集BIAO.FITNESS，以Weight（體重）為因變量。
涉及的效應(yīng)數(shù)量（7 個(gè)）和參數(shù)數(shù)量（7 個(gè)）相同。
讀取的觀測(cè)值總數(shù)均為 31 個(gè)。
- 模型選擇與停止準(zhǔn)則
均采用GLMSELECT過(guò)程，停止準(zhǔn)則為SBC（ Schwarz Bayesian Criterion），選擇準(zhǔn)則為AICC（修正的 Akaike 信息準(zhǔn)則）。
均未強(qiáng)制效應(yīng)層級(jí)（Effect Hierarchy Enforced: None），且最終選擇的模型均為僅包含截距項(xiàng)的Step 0模型（無(wú)其他自變量進(jìn)入）。
- 模型效果特征
選定模型的R-Square和Adj R-Sq均為 0.0000，說(shuō)明模型無(wú)法解釋因變量Weight的變異（僅用截距項(xiàng)預(yù)測(cè)）。
方差分析中，模型的自由度（DF）為 0，平方和（Sum of Squares）為 0，均方（Mean Square）和 F 值缺失，表明模型未納入任何自變量。
不同點(diǎn)：
- 選擇方法
Elastic Net 模型使用ELASTICNET（彈性網(wǎng)）方法，結(jié)合了 L1 正則化（Lasso）和 L2 正則化（Ridge）。
Lasso 模型使用LASSO（套索）方法，僅采用 L1 正則化。
- 訓(xùn)練與驗(yàn)證集劃分
Elastic Net 模型：25 個(gè)觀測(cè)值用于訓(xùn)練，6 個(gè)用于驗(yàn)證。
Lasso 模型：23 個(gè)觀測(cè)值用于訓(xùn)練，8 個(gè)用于驗(yàn)證。
- 關(guān)鍵指標(biāo)數(shù)值
- 停止細(xì)節(jié)
Elastic Net 模型中，候選進(jìn)入的變量為Age（年齡），其 SBC（107.1058）大于當(dāng)前模型的 SBC（107.0263），故未進(jìn)入。
Lasso 模型中，候選進(jìn)入的變量為Oxy（氧氣攝入量相關(guān)指標(biāo)），其 SBC（102.5447）大于當(dāng)前模型的 SBC（99.8415），故未進(jìn)入。
總結(jié)：
兩個(gè)模型的核心差異源于正則化方法和數(shù)據(jù)劃分，導(dǎo)致關(guān)鍵指標(biāo)（如 ASE、AIC、SBC）數(shù)值不同，但最終均未納入任何自變量，僅以截距項(xiàng)作為預(yù)測(cè)結(jié)果，說(shuō)明在該數(shù)據(jù)集上，兩種方法均認(rèn)為沒(méi)有自變量能顯著改善對(duì)Weight的預(yù)測(cè)。
