r语言生成随机数方法的比较方法

LASSO回归

前面讲Logistic回归临床预测模型的时候讲到了两种变量筛选的方法，分别是采用t检验，卡方检验、秩和检验的单因素分析，以及多因素Logistic回归分析，这也是最常见的先单后多的变量筛选方法。但有时候如果变量比较多的话，只是简单的先单后多还是不够的，今天介绍另外一种变量筛选方法：LASSO回归。 LASSO回归可以加在前面讲的单因素和多因素分析中间，这样可以更有效的减少变量数量，并准确识别适合纳入模型的特征。下面我们来看R语言实现LASSO回归的具体过程。先看数据长什么样子

安装R包

install.packages("reader")install.packages("glmnet")

加载相应的R程序包

library(readr)library(glmnet)

读取数据

data<-read_csv("C:/Users/Lenovo/Desktop/data.csv")#双引号里为数据路径

将自变量处理成矩阵，将第2列往后的数据储存在矩阵X中

X<-as.matrix(data[,2:21])

将第1列的因变量储存在向量Y中

Y<-as.matrix(data[,1])

在glmnet()语法中alpha=0表示岭回归（L2正则化），alpha=1表示lasso回归（L1正则化），0

lasso<-glmnet(X,Y,alpha=1,family="binomial")#binomial适用于处理因变量是二分类的情况print(lasso)截取了数据的一部分，第一列的结局为因变量，第2到21列的20个变量为自变量。Df %Dev Lambda

1 0 0.00 0.160700

2 1 2.00 0.146400

3 2 5.27 0.133400

……

77 20 52.07 0.000137

78 20 52.08 0.000124

79 20 52.08 0.000113

注：Df表示非零系数的自变量个数。lambda=0.000113 收敛于最优解，非零系数的自变量个数为20，没有变量被剔除。

r caret bootstrap 方法

R语言中的caret包是一个非常流行的机器学习工具包。它提供了一些便捷的函数和方法，可以使机器学习的工作更加简单和高效。其中最常用的一个方法就是bootstrapping（自助法）。本文将详细介绍caret包中的bootstrapping方法，并给出一些实例来说明如何使用该方法。

首先，我们需要了解一下bootstrapping的概念。在统计学中，bootstrapping是一种通过重复抽样来估计统计量的方法。它可以用于计算样本的置信区间、标准误差等。在机器学习中，我们通常使用bootstrapping来评估模型的性能，比如计算模型的准确率、召回率等指标。

在R语言中，我们可以使用caret包来进行bootstrapping的计算。首先，我们需要安装caret包，并加载它到R环境中。可以使用以下命令来完成这个步骤：

R

install.packages("caret")

library(caret)

接下来，我们需要准备我们的数据集。假设我们有一个关于花的数据集，其中包括花的各种特征，比如花瓣长度、花瓣宽度等等。我们需要将数据集划分为训练集和测试集，以便在模型训练完成后进行测试。我们可以使用caret包中的createDataPartition函数来实现数据集的划分：

R

data(iris)

set.seed(123)

trainIndex <- createDataPartition(irisSpecies, p = 0.7, list = FALSE)

trainData <- iris[trainIndex, ]

testData <- iris[-trainIndex, ]

在上面的代码中，我们使用iris数据集，并将其划分为训练集和测试集。其中，p参数表示我们希望将多少比例的数据划分为训练集，这里我们选择了70的数据作为训练集。set.seed函数用于设置随机数种子，以便我们的结果可以被重复。

- 1 - matlab的random用法

Matlab中的random函数用于生成随机数，可用于模拟实验、数据分析、密码学、游戏等方面。具体使用方式如下：

1. 生成随机整数：使用randi函数，输入两个参数，分别表示随机数的范围。例如，生成1到10之间的随机整数，代码为：randi([1,10])。

2. 生成随机小数：使用rand函数，输入一个参数，表示随机数的个数。例如，生成10个0到1之间的随机小数，代码为：rand(10,1)。

3. 生成符合特定分布的随机数：使用randn、randp、randexp、randg等函数，分别表示标准正态分布、泊松分布、指数分布、正态分布等。例如，生成10个符合标准正态分布的随机数，代码为：randn(10,1)。

4. 生成随机排列：使用randperm函数，输入一个参数，表示随机排列的长度。例如，生成1到10的随机排列，代码为：randperm(10)。

注意：在使用random函数时，需要先设置随机数种子，可以使用rng函数。例如，设置随机数种子为0，代码为：rng(0)。这样可以保证每次生成的随机数相同。

- 1 - matlab中产生随机数的函数

Matlab中产生随机数的函数有很多种，常用的有以下几个：

1. rand函数：产生0~1之间的均匀分布随机数，语法为rand(n)，n为产生随机数的个数。

2. randn函数：产生符合标准正态分布的随机数，语法为randn(n)，n为产生随机数的个数。

3. randi函数：产生指定范围内的整数随机数，语法为randi([a,b],n)，a、b为随机数范围，n为产生随机数的个数。

4. randperm函数：产生一个1~n的随机排列，语法为randperm(n)，n为随机排列的长度。

5. rng函数：控制随机数生成的种子，语法为rng(seed)，seed为种子值。

以上就是Matlab中产生随机数的常用函数，可以根据需要灵活选择使用。