使用glmnet进行甲基化数据的特征选择和建模（p >> N）

我想使用GLM和Elastic Net来选择那些相关功能+建立一个线性回归模型（即预测和理解，因此最好保留相对较少的参数）。输出是连续的。这是每基因50的情况。我一直在阅读有关该软件包的信息，但是我不确定要执行的步骤：$20000$$50$glmnet

1. 执行CV选择lambda：
   cv <- cv.glmnet(x,y,alpha=0.5)
   （Q1）给定输入数据，您会选择其他alpha值吗？
   （Q2）在建立模型之前，我还需要做其他事情吗？

2. 拟合模型：
   model=glmnet(x,y,type.gaussian="covariance",lambda=cv$lambda.min)
   （Q3）有什么比“协方差”更好的选择？
   （Q4）如果CV选择了lambda，为什么需要此步骤nlambda=？
   （Q5）使用lambda.min还是更好lambda.1se？

3. 获取系数，看看哪些参数掉了（“。”）：
   predict(model, type="coefficients")

   在帮助页面有很多种predict方法（例如predict.fishnet，predict.glmnet，predict.lognet等）。但是，正如我在一个示例中看到的那样，任何“简单”的预测都是如此。
   （Q6）我应该用predict或者predict.glmnet还是其他？

尽管我已经读过有关正则化方法的文章，但我在R和这些统计软件包中还是一个新手，因此很难确定我是否正在使我的问题适应代码。任何建议都将受到欢迎。

更新
基于 “如前所述，类train的对象包含一个称为的元素finalModel，这是具有通过重采样选择的调整参数值的拟合模型。该对象可以按传统方式用于生成新样本的预测，模型的预测功能。”

使用caret调整α和拉姆达：

  trc = trainControl(method=cv, number=10)  
  fitM = train(x, y, trControl = trC, method="glmnet")  

是否fitM取代先前的步骤2？如果是这样，如何立即指定glmnet选项（type.gaussian="naive",lambda=cv$lambda.min/1se）？
接下来的predict步骤，我可以替换model为fitM吗？

如果我做

  trc = trainControl(method=cv, number=10)  
  fitM = train(x, y, trControl = trC, method="glmnet")  
  predict(fitM$finalModel, type="coefficients")

完全有意义还是我错误地混合了两个包装词汇？

第1部分

在弹性网中，对参数采用两种类型的约束

1. 套索约束（即上的绝对值的大小）$\beta_j$
2. 脊约束（即上的平方值的大小）$\beta_j$

$\alpha$

$\alpha$$\lambda$$\lambda$cv.glmnet

$\alpha$$\lambda$

第2部分

Q3

$m \gg n$$\gg$?glmnet

type.gaussian = "naive"

$m \gg n$"naive"$n$

glmnet"naive"$m > 500$

Q4

nlambda$\alpha = 0.5$$\lambda$$\lambda$nlambda

Q5

lambda.min$\lambda$$\lambda$$k$lambda.1se$\lambda$lambda.minlambda.1se$\lambda$$k$最佳模型误差的CV估计值。

这是你的选择：

1. 可能过于复杂或过度拟合的最佳模型： lambda.min
2. 在不确定性的情况下，具有与最佳模型可比的误差的最简单模型： lambda.1se

第三部分

这是一个简单的过程，在R中会遇到很多问题predict()。99.9％的时间使用该函数。R将安排对作为第一个参数提供的对象使用正确的函数。

从技术上讲，predict是通用函数，具有针对不同类型（技术上称为类）的对象的方法（函数的版本）。由创建的对象具有一个或多个特定类，这取决于实际安装的模型类型。glmnet（软件包）提供了用于这些不同类型对象的函数方法。R知道这些方法，并将根据提供的对象的类别选择适当的方法。glmnetpredict