这是一个不直观的事实——你实际上不应该给 glmnet 一个单一的 lambda 值。从这里的文档：

不要为 lambda 提供单个值（对于 CV 之后的预测，请改用 predict()）。而是提供递减的 lambda 值序列。glmnet 依赖于它的热启动来提高速度，而且拟合整个路径通常比计算单个拟合更快。

cv.glmnet正如您在示例中提到的那样，将帮助您选择 lambda。glmnet 包的作者建议cv$lambda.1se不要使用cv$lambda.min，但实际上我在后者方面取得了成功。

运行 cv.glmnet 后，您不必重新运行 glmnet！网格 ( cv$lambda) 中的每个 lambda 都已运行。这种技术称为“热启动”，您可以在此处了解更多信息。从介绍中解释，Warm Start 技术通过使用不同优化问题（例如，具有较大 lambda 的 glmnet）的解决方案作为后续优化问题（例如，具有较小 lambda 的 glmnet）的起始值来减少迭代方法的运行时间）。

要从中提取所需的运行cv.glmnet.fit，请尝试以下操作：

small.lambda.index <- which(cv$lambda == cv$lambda.min)
small.lambda.betas <- cv$glmnet.fit$beta[, small.lambda.index]

修订（2017 年 1 月 28 日）

无需像我上面那样破解 glmnet 对象；s = "lambda.min"在下面接受@alex23lemm的建议并将s = "lambda.1se"或其他数字（例如s = .007）传递给coef和predict。请注意，您的系数和预测取决于此值，该值由交叉验证设置。使用种子可重复性！并且不要忘记，如果您不提供"s"incoef和predict，您将使用默认的s = "lambda.1se". 在看到它在小数据情况下工作得更好后，我已经热身到该默认值。s = "lambda.1se"也倾向于提供更多的正则化，所以如果你使用 alpha > 0，它也会倾向于更简约的模型。您还可以在 plot.glmnet 的帮助下选择 s 的数值以达到介于两者之间的某个位置（只是不要忘记对 x 轴的值求幂！）。

Q1) 我不确定如何选择 lambda。Q2) 我应该使用非 (.) 变量来拟合另一个模型吗？就我而言，我想保留尽可能多的变量。

根据@BenOgorek's great answer，通常您让拟合使用整个 lambda 序列，然后在提取最佳系数时使用 lambda.1se 值（与您所做的不同）。

只要您遵循以下三个警告，就不要反对正则化或调整模型：如果省略了一个变量，那是因为它给出了较低的整体惩罚。警告是：

1. 为了使正则化系数有意义，请确保您事先明确地标准化了变量的均值和标准差scale()；不要依赖glmnet(standardize=T)。有关理由，请参阅Lasso 之前的标准化真的有必要吗？; 基本上，具有大值的变量可能会在正则化中受到不公平的惩罚。

2. 为了可重现，set.seed使用几个随机种子运行并检查正则化系数的稳定性。

3. 如果您想要不那么苛刻的正则化，即包含更多变量，请使用 alpha < 1（即适当的弹性网）而不是简单的 ridge。我建议您将 alpha 从 0 扫描到 1。如果您要这样做，那么为了避免过度拟合超参数 alpha 和回归误差，您必须使用交叉验证，即使用cv.glmnet()而不是简单glmnet()：

.

for (alpha in c(0,.1,.3,.5,.7,.9,1)) {
  fit <- cv.glmnet(..., alpha=alpha, nfolds=...)
  # Look at the CVE at lambda.1se to find the minimum for this alpha value...
}

如果您想使用 CV 自动执行此类网格搜索，您可以自己编写代码，也可以在 glmnet 之上使用 caret 包；插入符号做得很好。对于cv.glmnet nfolds参数值，如果您的数据集很小，请选择 3（最小值），如果数据集很大，请选择 5 或 10。

Q3) 我如何知道 p 值，即哪些变量可以显着预测响应？

不要，它们没有意义。正如在为什么不建议从 glmnet 模型中获取回归系数的统计摘要信息中详细解释的那样？

让我们cv.glmnet()自动选择变量。上面的警告。当然，响应变量的分布应该是正常的（假设您使用的是family='gaussian'）。