如何用glmnet复现基于elastic net包enet函数的迭代LASSO结果

之前你用elasticnet包的enet函数对datasets列表中的数据集完成了LASSO回归，现在要改用glmnet包复现流程，同时解决系数提取和变量选择的问题，以下是完整实现：

关键参数对应说明 #

首先纠正一个核心错误：你之前的glmnet代码设置了alpha=0，这是岭回归（Ridge），而LASSO需要设置alpha=1（elastic net框架中，alpha=1对应LASSO，alpha=0对应Ridge）。另外要保留normalize=FALSE和原代码一致，保证数据预处理逻辑相同。

完整glmnet代码实现 #

1. 拟合LASSO模型 #

set.seed(100) # 保证结果可重复
L_fits <- lapply(data, function(i) 
  glmnet(x = as.matrix(select(i, starts_with("X"))), 
         y = i$Y, alpha = 1, normalize = FALSE) # alpha=1指定LASSO，和原enet的LASSO逻辑匹配
)

2. 提取对应lambda比例的系数 #

原enet中s=0.1, mode="fraction"指的是使用lambda序列中从最大lambda到最小lambda的10%位置的lambda值。glmnet返回的lambda序列是降序排列的，我们直接取序列的10%位置来对应这个参数：

L_Coeffs <- lapply(L_fits, function(fit) {
  # 计算对应fraction=0.1的lambda值
  lambda_frac <- fit$lambda[round(length(fit$lambda) * 0.1)]
  # 提取系数并转为向量
  coefs <- drop(as.matrix(predict(fit, s = lambda_frac, type = "coefficients")))
  return(coefs)
})

3. 提取LASSO选中的变量 #

和原代码逻辑一致，筛选出系数大于0的自变量（排除截距项）：

LASSOs_Selections <- lapply(L_Coeffs, function(coefs) {
  # 排除截距项，只保留自变量的系数
  var_coefs <- coefs[names(coefs) != "(Intercept)"]
  # 返回系数>0的变量名
  names(var_coefs[var_coefs > 0])
})

验证一致性 #

运行上述代码后，你可以对比原elasticnet流程的LASSOs_Selections结果，两者应该完全一致（因为设置了相同的随机种子，且参数对应正确），以此验证结果无代码层面的随机性。

内容的提问来源于stack exchange，提问作者Marlen