岭回归cv.glmnet样本量不匹配报错解决及数据集大小疑问

1. 报错问题解决 #

你的报错根源是**cv.glmnet的参数传入逻辑错误**：

• x需要传入训练集的特征矩阵（不含目标变量），y需要传入训练集对应的目标变量，你错误地将整个测试集作为y传入，导致x的样本数（94）和y的样本数（10）不匹配。

修正步骤如下：

第一步：拆分特征与目标变量 #

假设数据框最后一列是目标变量（若不是，替换为你的目标列名即可），拆分训练集和测试集的特征与目标：

# 拆分训练集：特征矩阵X_train + 目标变量y_train
X_train <- read_training[, -ncol(read_training)]
y_train <- read_training[, ncol(read_training)]

# 拆分测试集：特征矩阵X_test + 目标变量y_test
X_test <- read_test[, -ncol(read_test)]
y_test <- read_test[, ncol(read_test)]

第二步：正确运行岭回归 #

用拆分后的训练集特征和目标变量传入cv.glmnet：

ridge <- cv.glmnet(x = X_train, 
                   y = y_train, 
                   type.measure = "mse", 
                   alpha = 0, 
                   family = "gaussian", 
                   nlambda = 200)

第三步：测试集预测（可选） #

训练完成后，用模型对测试集进行预测并评估：

# 预测测试集结果
y_pred <- predict(ridge, newx = X_test)
# 计算测试集均方误差
test_mse <- mean((y_pred - y_test)^2)

2. 训练集与测试集是否必须大小一致？ #

不需要，而且通常训练集的样本量要远大于测试集，比如你当前用的9:1拆分比例（94个训练样本、10个测试样本）是合理的。
报错的根本原因不是训练集和测试集大小不一致，而是你错误地将测试集作为目标变量传入模型，导致样本数不匹配。

内容的提问来源于stack exchange，提问作者Someone_1313