R语言glmnet模型如何获取全部非零系数？

为什么会出现零系数？ #

你的模型设置了lower.limits = 0，搭配alpha=0的Ridge回归：

• Ridge回归本身的L2惩罚只会缩小系数，不会将任何系数压缩到0。但lower.limits = 0强制所有系数不能为负，当模型计算出某个系数为负数时，就会被截断为0，这是你看到零系数的核心原因。
• 如果同时调整了penalty.factor给某些变量设置了极高的惩罚权重，也会让系数被过度压缩，结合非负约束后更容易变成0。

如何获取全部非零系数？ #

根据你的需求，有两种解决方案：

1. 移除非负约束（优先推荐，若业务允许）

直接删除lower.limits = 0参数，Ridge回归会自动保留所有非零系数：

model_1 <- cv.glmnet(
  X_factors %>% as.matrix(),
  data_for_modeling$salary %>% log(),
  family = "gaussian", 
  alpha = 0
)
# 获取全部非零系数
coef_all_nonzero <- coef(model_1, s = model_1$lambda.min)

此时所有系数都会是非零值（因为L2惩罚不会将任何系数压到0）。

2. 保留非负约束，但调整惩罚强度

如果你必须要求系数非负，可以通过选择更小的lambda值来降低惩罚力度，避免系数被截断为0：

• 默认cv.glmnet会选择lambda.min（交叉验证误差最小的lambda）或lambda.1se（误差在1倍标准差内的最大lambda）。你可以尝试用更小的lambda，甚至直接用s=0（对应无正则化的普通线性回归，此时系数完全不被压缩）：

# 使用lambda.min获取系数（若仍有零，尝试更小的lambda）
coef_nonzero <- coef(model_1, s = model_1$lambda.min)
# 或者用无正则化的线性回归（s=0）
coef_no_reg <- coef(model_1, s = 0)

另外，如果你想让特定变量不被惩罚，可以给penalty.factor对应位置设为0，比如让第3个变量不被惩罚：

model_1 <- cv.glmnet(
  X_factors %>% as.matrix(),
  data_for_modeling$salary %>% log(),
  family = "gaussian", 
  alpha = 0,
  lower.limits = 0,
  penalty.factor = c(1,1,0,1,...) # 第3个变量惩罚因子为0
)

关于offset参数的说明 #

offset是一个固定系数为1的预测项，它不会被模型拟合，也不参与正则化。在你的高斯回归场景中，设置offset = vec相当于让模型拟合：
log(salary) - vec ~ X_factors
它的作用是引入已知的、不需要估计的调整项（比如标准化后的某个固定值），和系数是否为零没有直接关联，不是解决当前问题的正确方向。

内容的提问来源于stack exchange，提问作者Dmitrii Asoskov