線性彈性淨迴歸
「線性彈性網路」使用 Python sklearn.linear_model.ElasticNet 類別來估計一或多個自變數上應變數的規則化線性迴歸模型。 正規化結合 L1 (Lasso) 和 L2 (脊) 懲罰。 延伸包括選用模式，可針對給定 L1 比例顯示不同 Alpha 值的追蹤圖，並根據交叉驗證來選取 L1 比例和 Alpha 超參數值。 當使用單一模型或交叉驗證來選取懲罰比例及/或 alpha 時，可以使用保留資料的分割區來估計樣本外效能。
除了使用 L1 懲罰值與 alpha 規則化參數之比例的指定值來配適模型之外，線性彈性網路還可以顯示給定比例之 alpha 值範圍的係數值追蹤圖，或透過對指定值網格的 k 倍交叉驗證來協助選擇超參數值。 如果適合單一模型或執行透過交叉驗證的比例和/或 alpha 選擇，則可以將最終模型套用至由輸入資料分割建立的保留資料，以取得模型的樣本外效能有效估計值。
取得線性彈性網路迴歸分析
- 從功能表中選擇：
「 變數 」對話框可讓您指定變數，將作用中資料集中的每個觀察值指派給訓練或保留樣本。
- 選取數值目標變數。 只需要一個目標變數就能執行分析。
- 指定數值相依項。
- 指定至少一個類別因素變數或數值共變數變數。
選擇性地， 分割區 提供一種方法來建立輸入資料的保留或測試子集，以估計所指定或所選模型的樣本外效能。 對於程序所使用的任何變數，在成批刪除具有無效資料的任何觀察值之後，會執行所有分割。 請注意，對於交叉驗證，會在 Python中建立訓練資料的摺疊或分割區。 不論有效模式為何，分割區所建立的保留資料都不會用於預估。
可以透過指定隨機指派給每個樣本的觀察值比例 (在 訓練及保留分割下) ，或透過將每個觀察值指派給訓練或保留樣本的變數來定義分割。 您無法同時指定訓練和變數。 如果未指定分割區，則會建立大約 30% 輸入資料的保留樣本。
訓練% 指定作用中資料集內要隨機指派給訓練樣本的相對觀察值數目。 預設訓練為 70%。
此程序會貼上 LINEAR_ELASTIC_NET 指令語法。