範例 (LINEAR_LASSO 延伸指令)

LINEAR_LASSO y WITH x1 TO x5
  /ALPHA=.75.

• 在共變數清單 x1 TO x5的標準化版本上， Lasso 迴歸適合 y ，其中包括變數 x1、 x5以及 x1 與 x5之間的作用中資料集內的任何變數。
• 規則化強度參數 ALPHA 設為 .75 ，表示規則化小於預設值 1。
• 使用虛擬隨機 70-30 分割來分割輸入資料。

LINEAR_LASSO y WITH x1 x2 z1 z2
  /PLOT RESIDUALS
  /SAVE PRED RESID.

• 在 x1、 x2、 z1和 z2的標準化版本上， Lasso 迴歸適合 y。
• Alpha 規則化參數保留為預設值 1。
• 即會顯示殘差與預測值的散佈圖。
• 使用預設名稱來儲存預測值和殘差。
• 使用虛擬隨機 70-30 分割來分割輸入資料。

LINEAR_LASSO y WITH x1 x2 x3
  /MODE = TRACE
  /ALPHA VALUES = -3 TO 2 BY .25 METRIC = LG10
  /PARTITION TRAINING = 3 HOLDOUT = 1.

• 在 x1、 x2和 x3的標準化版本上，一系列 Lasso 迴歸模型適合迴歸 y。
• 系統會顯示訓練資料的迴歸係數、均方誤差 (MSE) 及 R² 與 Alpha 的圖形，而非表狀輸出。
• Alpha 開始於 10^-3 ，結束於 10²，中間值每隔 10^.25 單位，介於這些值之間 (亦即 10^-2.75， 10^-2.5， ... ， 10^1.5， 10^1.75)。
• 訓練資料包含虛擬隨機選取大約 75% 的輸入資料。
• 不使用保留資料，因為沒有適合單一或最終模型。

LINEAR_LASSO y BY group WITH x1 x2
  /MODE = CROSSVALID
  /ALPHA = .01 TO 2 BY .01
  /CRITERIA NFOLDS = 10 TIMER = 15
  /PARTITION TRAINING = 70 HOLDOUT = 30
  /PRINT COMPARE
  /SAVE PRED RESID.

• 將一系列 Lasso 迴歸模型擬合，在代表觀察群組種類的標準化指標版本上迴歸 y ，以及 x1 和 x2。
• 使用 200 個 alpha 值和 10 個交叉驗證折疊，在選取 alpha 值時執行總計 2000 個配適和評分循環。
• CRITERIA 次指令上的 TIMER 規格容許整個處理程序 15 分鐘。
• 大約 70% 的輸入資料用於 Alpha 選擇處理程序，其餘 30% 在選取 Alpha 之後根據適合整個訓練子集的模型進行評分。
• 每一個模型估計十次，並使用平均交叉驗證 R² 來評量模型精確度。
• 表格輸出包含所有適合模型的摘要結果 (依交叉驗證摺疊上的平均 R² 以降冪排序) ，以及保留測試資料的評分結果。
• 所有觀察值 (訓練和保留) 都會儲存基於所選 alpha 值的預測值和殘差。