LINEAR_ELASTIC_NET

LINEAR_ELASTIC_NET 延伸指令在 SPSS® Statistics Standard Edition中可用。

LINEAR_ ELASTIC_NET 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。

請注意，在 sklearn 和這裡使用的術語與彈性網路模型的其他一些程式中使用的術語不同。 sklearn 中的 alpha 參數有時稱為 lambda ，而 sklearn 中的 l1_ratio 則稱為 alpha。

LINEAR_ELASTIC_NET dependent [BY factor list] [WITH covariate list] 
  [/MODE {FIT**     }
         {TRACE     }
         {CROSSVALID}
  [/RATIO VALUES = {.5**                                   }
                   {[value(s)] [value1 TO value2 BY value3]}]
  [/ALPHA VALUES = {1**                                    }
                   {[value(s)] [value1 TO value2 BY value3]}]
          METRIC = {LINEAR**}
                   {LG10    }
  [/CRITERIA INTERCEPT = {TRUE**} STANDARDIZE = {TRUE**} TIMER = {5**  } 
                         {FALSE }               {FALSE}          {value}       
                NFOLDS = {5    } STATE = {0    }
                         {value}         {value}
            TRACETABLE = {0**    }
                         {integer}
  [/PARTITION {TRAINING = {70**   } HOLDOUT = {30**   }}]
                          {integer}           {integer}
              {VARIABLE = varname}
  [/PRINT {BEST** }
          {COMPARE} 
          {VERBOSE}]
  [/PLOT {MSE} {R2} {OBSERVED} {RESIDUAL}]
  [/SAVE {PRED(varname)} {RESID(varname)}]

**如果省略了次指令或關鍵字，則為預設值。

此指令會讀取作用中資料集，並導致執行任何擱置指令。 如需相關資訊，請參閱「指令順序」主題。

可從「線性彈性網路迴歸」對話框產生 LINEAR_ELASTIC_NET 延伸指令的語法。