如何用随机生成数据实现岭/套索回归交叉验证？解决代码报错

问题重现 #

用户编写了如下R代码，尝试用随机生成的数据执行岭回归交叉验证：

library(leaps)
library(glmnet)

set.seed(7)
x <- runif(100,0,1)
y <- 1 + 2*x^2 + 4*x^3 + x^4 + rnorm(100,0,1)
data_1<- data.frame(x,y)

xridge<- model.matrix(y~x+I(x^2)+I(x^3)+I(x^4)+I(x^5)+I(x^6)+I(x^7)+I(x^8)+I(x^9)+I(x^10), data = data_1)

yridge<-data_1$y

crossval<-cv.glmnet(xridge, yridge, alpha=0)

运行时触发报错：

Error in glmnet(x, y, weights = weights, offset = offset, lambda = lambda, : number of observations in y (0) not equal to the number of rows of x (100)

错误原因 #

实际问题并非model.matrix移除NA导致y全为NA，而是变量名冲突：

• 你在model.matrix的公式里用了y~，同时glmnet包的函数参数中也有一个名为y的参数。
• 这种命名冲突导致cv.glmnet调用时，误将公式中的y识别为参数的y，而非你定义的yridge向量，最终出现观测数不匹配的错误。

解决方法 #

有两种简单的修正方式：

方式1：重命名数据框中的响应变量 #

把生成的data_1里的y列改名，避免和函数参数冲突：

library(leaps)
library(glmnet)

set.seed(7)
x <- runif(100,0,1)
y_val <- 1 + 2*x^2 + 4*x^3 + x^4 + rnorm(100,0,1)
data_1<- data.frame(x, y_val)

xridge<- model.matrix(y_val~x+I(x^2)+I(x^3)+I(x^4)+I(x^5)+I(x^6)+I(x^7)+I(x^8)+I(x^9)+I(x^10), data = data_1)

yridge<-data_1$y_val

crossval<-cv.glmnet(xridge, yridge, alpha=0)

方式2：构造仅含预测变量的矩阵 #

model.matrix里可以只写预测变量部分，无需带响应变量：

library(leaps)
library(glmnet)

set.seed(7)
x <- runif(100,0,1)
y <- 1 + 2*x^2 + 4*x^3 + x^4 + rnorm(100,0,1)
data_1<- data.frame(x,y)

# 仅构造预测变量矩阵，去掉公式中的响应变量y~
xridge<- model.matrix(~x+I(x^2)+I(x^3)+I(x^4)+I(x^5)+I(x^6)+I(x^7)+I(x^8)+I(x^9)+I(x^10), data = data_1)

yridge<-data_1$y

crossval<-cv.glmnet(xridge, yridge, alpha=0)

验证 #

运行修正后的代码，crossval会正常生成交叉验证结果，你可以用plot(crossval)查看lambda的选择情况，或用coef(crossval)提取最优lambda对应的系数。

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