In general, if we want to fit a (un

In general, if we want to fit a (unpenalized) least squares model, then
we should use the lm() function, since that function provides more useful
outputs, such as standard errors and p-values for the coefficients.
In general, instead of arbitrarily choosing λ = 4, it would be better to
use cross-validation to choose the tuning parameter λ. We can do this using
the built-in cross-validation function, cv.glmnet(). By default, the function cv.glmnet() performs ten-fold cross-validation, though this can be changed using the
argument nfolds. Note that we set a random seed first so our results will
be reproducible, since the choice of the cross-validation folds is random.

Kết quả (Việt) 1:

Nói chung, nếu chúng ta muốn để phù hợp với một (unpenalized) ít nhất là hình vuông mô hình, sau đóchúng ta nên sử dụng chức năng lm(), vì chức năng đó cung cấp hữu ích hơnkết quả đầu ra, chẳng hạn như lỗi chuẩn và p-giá trị cho các hệ số.Nói chung, thay vì tùy tiện chọn λ = 4, nó sẽ là tốt hơn đểsử dụng xác nhận qua lựa chọn điều chỉnh thông số λ. Chúng tôi có thể làm điều này bằng cách sử dụngđược xây dựng trong các chức năng cross-xác nhận, cv.glmnet(). Theo mặc định, cv.glmnet() chức năng thực hiện xác nhận qua ten-fold, mặc dù điều này có thể thay đổi bằng cách sử dụng cácđối số nfolds. Lưu ý rằng chúng tôi đặt một hạt giống ngẫu nhiên đầu tiên vì vậy kết quả chúng tôi sẽcó thể sanh sản nhiều, từ sự lựa chọn của các nếp gấp chéo-xác nhận là ngẫu nhiên.

Kết quả (Việt) 2:

Nói chung, nếu chúng ta muốn để phù hợp với một (unpenalized) ít nhất là mô hình ô vuông, sau đó
chúng ta nên sử dụng lm () chức năng, vì chức năng cung cấp hữu ích hơn
đầu ra, chẳng hạn như các lỗi tiêu chuẩn và p-giá trị cho các hệ số.
Nói chung, thay vì tự ý lựa chọn λ = 4, nó sẽ là tốt hơn để
sử dụng cross-validation để chọn các tham số điều chỉnh λ. Chúng tôi có thể làm điều này bằng cách sử dụng
được xây dựng trong chức năng cross-validation, cv.glmnet (). Theo mặc định, các chức năng cv.glmnet () thực hiện mười lần qua xác nhận, mặc dù điều này có thể được thay đổi bằng cách sử dụng
nfolds luận. Lưu ý rằng chúng tôi đặt một hạt giống ngẫu nhiên đầu tiên vì vậy kết quả của chúng tôi sẽ
có thể lặp lại, vì sự lựa chọn của cross-validation nếp gấp là ngẫu nhiên.