glmnet中设置LASSO预测变量数：dfmax参数失效问题求助

我希望手动将LASSO模型的预测变量数量设置为5（包含截距项则计入总数），用来对比LASSO和其他模型的变量选择结果。但在含约100个潜在预测变量的真实数据中，设置dfmax=4后，求解得到的非零系数数量却是7而非4。难道只能通过迭代调整lambda这种笨拙的方法解决吗？

示例代码 #

library(glmnet)
set.seed(42)
n.obs <- 100
n.predictors <- 10
y <- rnorm(n.obs)
x <- matrix(rnorm(n.obs * n.predictors), ncol = n.predictors)
# 给数据添加模式，让预测变量具有不同的影响力
for (i in 1:n.predictors) {x[ , i] <- x[ , i] + y * i}
m.lambda <- cv.glmnet(x = x, y = y, alpha = 1)$lambda.min
m.lasso <- glmnet(x = x, y = y, alpha = 1, lambda = m.lambda, dfmax = 2)
coef(m.lasso)  
# 所有预测变量都被保留了

关于dfmax参数的疑问 #

glmnet帮助文档说明dfmax用于“限制模型中的最大变量数，适用于变量数极多的情况，若需要partial path时使用”。问题可能出在我不理解这里的partial path含义，搜索也没得到有效信息（比如图论中的partial path指无需遍历所有节点的路径）。

这个问题和Stack Overflow上的相关问题相同，但该问题尚无解答。CrossValidated上的相关问题已被关闭，评论和答案相互矛盾，暗示dfmax可能是限制特定变量集而非数量。

后续进展 #

我最终编写了迭代代码来寻找m.lambda的乘数，以此得到所需的预测变量数量。用简单的二分法更新乘数的上下限，在我的六个模型中都能快速收敛。保留这个问题，希望有人能分享dfmax的正确用法，或是作为自制workaround可行的提醒。

内容的提问来源于stack exchange，提问作者InColorado