1
如何使用cv.glmnet（R中的LASSO回归）进行交叉验证？
我想知道如何使用R中的glmnet正确地训练和测试LASSO模型？ 具体来说，我想知道如果缺少外部测试数据集该如何使用交叉验证（或其他类似方法）来测试我的LASSO模型，该怎么做。 让我分解一下情况： 我只有一个数据集来通知和训练我的glmnet模型。结果，我将不得不使用交叉验证来拆分数据，以生成一种测试模型的方法。 我已经在使用cv.glmnet，根据软件包的详细信息： 对glmnet进行k折交叉验证，生成图并返回lambda的值。 进行交叉验证cv.glmnet只是为了选择最佳的λ，还是作为更通用的交叉验证程序？ 换句话说，我还需要执行另一个交叉验证步骤来“测试”我的模型吗？ 我正在假设“是的”。 既然如此，我该如何交叉验证我的cv.glmnet模型？ 我是否必须手动执行此caret功能，或者该功能对glmnet模型有用吗？ 我是否使用交叉验证的两个同心“循环”？...我是否使用CV的“内循环” cv.glmnet来确定k倍交叉验证处理的“外部循环”的每k倍内的最佳lambda值？ 如果我对已经进行交叉验证的cv.glmnet模型进行交叉验证，那么如何cv.glmnet在交叉验证的“外部循环”的每一折中将“最佳”模型（与“最佳” lambda值隔离）与每个模型隔离？ 注：我定义“最好”的模式，与产生最小的1 SE内的MSE拉姆达关联的模型......这是$lambda.1se在cv.glmnet模型。 内容： 我正在尝试根据树木直径（“ D”），D ^ 2和种类（“ factor（SPEC）”）来预测树木年龄（“年龄”）。[结果方程式：Age ~ D + factor(SPEC) + D^2]。我有约5万行数据，但数据是纵向的（通过时间跟踪个体），由约65种组成。