R 如何使用预选Lambda对套索进行10倍交叉验证

我通过多次运行套索并取平均lambda来选择lambda，我使用了

glmnet

。我知道我想用这个Lambda对这个套索进行10倍交叉验证

这是我迄今为止尝试过的代码的一个示例：

library(caret)
library(glmnet)

---

这里Lambda_LASSO是从cv.glmnet的迭代运行中提取的Lambda向量。

首先，我必须说这听起来很奇怪：

我已经通过多次运行套索选择了lambda，并 平均λ

取lambda值的平均值的目的是什么

下次提供一个示例数据集，并指定它是分类还是回归。假设您的

df

是这样的，我们从glmnet获得lambda：

df = data.frame(matrix(runif(50*30),ncol=30))
df$outcome = rnorm(50)

x = model.matrix(outcome ~ 0 +., data = df)
y = df$outcome

Lambda_LASSO = glmnet(x,y)$lambda

您可以使用

tuneGrid=

将其输入插入符号，并将alpha固定为1，因为您正在进行套索：

train.control = trainControl(method = "cv", number = 10)

model = train(x=x,y=y,
tuneGrid = data.frame(alpha=1,lambda = mean(Lambda_LASSO)),
trControl = train.control,
method = "glmnet")


glmnet 

50 samples
30 predictors

No pre-processing
Resampling: Cross-Validated (10 fold) 
Summary of sample sizes: 43, 46, 46, 45, 46, 45, ... 
Resampling results:

  RMSE      Rsquared   MAE     
  1.519513  0.3486916  1.286363

Tuning parameter 'alpha' was held constant at a value of 1
Tuning
 parameter 'lambda' was held constant at a value of 0.03752899

---

您无需运行

lm

即可提取模型矩阵

x=model.matrix（outcome~0+，data=df）

谢谢，我对glmnet使用了10倍交叉验证（默认值）。因此，数据分割的方式存在随机性，而lambda的选择也存在一定的差异。所以我基本上做了重复的k-折叠交叉验证，我认为这并不奇怪。

train.control = trainControl(method = "cv", number = 10)

model = train(x=x,y=y,
tuneGrid = data.frame(alpha=1,lambda = mean(Lambda_LASSO)),
trControl = train.control,
method = "glmnet")


glmnet 

50 samples
30 predictors

No pre-processing
Resampling: Cross-Validated (10 fold) 
Summary of sample sizes: 43, 46, 46, 45, 46, 45, ... 
Resampling results:

  RMSE      Rsquared   MAE     
  1.519513  0.3486916  1.286363

Tuning parameter 'alpha' was held constant at a value of 1
Tuning
 parameter 'lambda' was held constant at a value of 0.03752899