您希望LARS找到的模型与穷举搜索找到的模型有何不同？

更多信息；假设

1. 您事先知道要选择多少个变量，并且您在LARS过程中设置了复杂度损失，例如要使具有不为0系数的变量恰好有多少，
2. 计算成本不是问题（变量的总数很小，例如50），
3. 所有变量（y，x）都是连续的。

在什么设置下，LARS模型（即LARS拟合中具有非零系数的那些变量的OLS拟合）与系数相同但通过穷举搜索找到的模型（la regsubsets（））最大不同？

编辑：我使用的是50个变量和250个观测值，它们的真实系数是从标准高斯得出的，除了10个变量的“真实”系数为0（并且所有特征彼此之间具有很强的相关性）。这些设置显然不好，因为两组所选变量之间的差异很小。这实际上是一个问题，应该模拟哪种类型的数据配置以获得最大的差异。

这是LARS算法的描述：http ://www-stat.stanford.edu/~tibs/lasso/simple.html 这种类型忽略了回归变量之间的相关性，因此我敢冒险猜测它可能会错过多重共线性时的拟合。

与样本数量相关的功能越多，与LARS相比，精致的搜索方法可能会带来更多的拟合。LARS中使用的惩罚项强加了一个越来越复杂的模型的嵌套结构，该结构由单个正则化参数索引，因此LARS进行特征选择的“自由度”相当低。对于精细搜索，每个特征实际上具有一个（二进制）自由度，这意味着由于数据的随机采样，精细搜索能够更好地利用特征选择标准中的随机可变性。结果，随着“假设类别”变大，详尽的搜索模型可能会严重地不适合特征选择标准。