我有大量的植被数据，这些数据被分解为 13 个栖息地类别。我试图确定哪些植被倾向于落入或不存在于具有任何意义的栖息地。我已经开始运行多项逻辑回归，特别是使用 glmnet（因为我有大约 200 个变量，只有大约 260 个观察值）。

使用以下代码运行 cv.glmnet：

cv<-cv.glmnet(data,Class,family="multinomial",nfolds=50,standardize=FALSE)

我得到了一个我很难理解的数字列表，但是我找到了代码：

coef(cv, s=cv$lambda.1se)

它返回每个栖息地类别的每个变量的系数，该 lambda 比最小 Lambda 值大 1 SE（据我所知，这是公认的 lambda 值）。

(Intercept)                                              0.7914263664   
Salix                                                    0.0000000000  
Mash                                                     0.0000000000   
Pin                                                      0.0000000000   
Choke                                                    .          
Betula                                                   0.0025260258   
Ideae                                                    0.0000000000   
Leather                                                  0.0000000000

我想知道的是，使用这些系数，是否可以说明具有最大量级的那些值（最接近 -1 和 +1）在定义该类时是最重要的，而那些接近 0 的值并不重要，并且在 cv.glmnet 期间删除了带有句号的那些。所以在这种情况下，植物“白桦”会比其他植物更有影响力，而“扼流圈”是如此没有影响力以至于它被移除了？另外，不知道拦截是什么意思，但我想我可以自己找到那个。