在弹性净回归中，为什么lambda“与最小值之间的标准误差之内”是lambda的推荐值？

我了解lambda在弹性净回归中扮演什么角色。而且我可以理解为什么要选择lambda.min，即将交叉验证错误最小化的lambda值。

我的问题是在统计资料中建议在哪里使用lambda.1se，即lambda的值可将CV误差加一个标准误差减到最小？我似乎找不到正式的引文，甚至找不到为什么这通常很有价值的原因。我知道这是一个限制性更强的正则化方法，会将参数进一步缩小为零，但我并不总是确定lambda.1se比lambda.min更好的选择。有人可以帮忙解释一下吗？

Friedman，Hastie和Tibshirani（2010），引用《统计学习的要素》，写道，

选择最佳模型时，我们经常使用“一个标准错误”规则；这承认了这样一个事实，即风险曲线的估计是有误差的，因此在简约方面会犯错误。

使用一个标准错误而不是任何其他金额的原因似乎是因为它是...标准。Krstajic等人（2014）写道：

Breiman等。[25]发现在为分类树模型选择最佳树大小的情况下，具有最小交叉验证误差的树大小会生成通常过拟合的模型。因此，在他们的书《 Breiman等人》的第3.4.3节中。[25]定义了一个用于选择最佳树大小的标准错误规则（1 SE规则），并在本书中贯彻执行。为了计算单个V折交叉验证的标准误差，需要为每个折算计算准确性，并根据每个折的V精度计算标准误差。Hastie等。[4]将1 SE规则定义为选择最简约的模型，其误差不超过最佳模型的误差一个标准误差，并且他们建议在多个地方使用1 SE规则进行通用交叉验证。我们同意的1 SE规则的要点是选择精度与最佳模型相当的最简单模型。

$\lambda$

Breiman等人的书（引自Krstajic的其他答案）是我为1SE规则找到的最早的参考书。

这是Breiman，Friedman，Stone和Olshen的分类和回归树（1984）。他们在第3.4.3节中“推导”该规则。

因此，如果您需要正式引用，那似乎是原始来源。