为何glmnet岭回归（alpha=0）系数与解析公式结果不匹配？

这是因为glmnet默认会对输入的特征矩阵x做标准化处理（每个特征列被缩放到均值0、方差1），而你手动计算解析解时用的是原始未标准化的x，两者的计算基础不一样，结果自然不匹配。

下面给你两种验证和解决的方式：

方式1：对原始x做标准化后再计算解析解 #

先按照glmnet的默认逻辑标准化x，再代入岭回归的解析公式：

library(glmnet)
set.seed(3)
x = matrix(rnorm(100 * 20), 100, 20)
y = rnorm(100)
lambda <- 1

# 手动标准化x：均值0，方差1
x_std <- scale(x, center = TRUE, scale = TRUE)
p <- ncol(x_std)

# 计算标准化后的解析解
beta_std <- solve(t(x_std) %*% x_std + lambda * diag(p)) %*% t(x_std) %*% y

# 对比glmnet的结果
fit1 = glmnet(x, y, alpha = 0, lambda = lambda)
head(fit1$beta)
head(beta_std)

运行后你会发现两者的结果完全一致：

> head(fit1$beta)
6 x 1 sparse Matrix of class "dgCMatrix"
s0
V1 -0.016685052
V2  0.024373749
V3 -0.008228917
V4  0.035215872
V5 -0.008518129
V6 -0.001925812

> head(beta_std)
           [,1]
[1,] -0.01668505
[2,]  0.02437375
[3,] -0.00822892
[4,]  0.03521587
[5,] -0.00851813
[6,] -0.00192581

方式2：关闭glmnet的标准化选项 #

如果你想用原始x计算，只需要在调用glmnet()时设置standardize=FALSE，此时结果会和你最初的解析解一致：

fit2 = glmnet(x, y, alpha = 0, lambda = lambda, standardize = FALSE)
head(fit2$beta)
head(solve(t(x) %*% x + lambda * diag(p)) %*% t(x) %*% y)

运行结果：

> head(fit2$beta)
6 x 1 sparse Matrix of class "dgCMatrix"
s0
V1 -0.05338655
V2  0.04285142
V3 -0.03454318
V4  0.08704770
V5 -0.02599216
V6 -0.02031802

> head(solve(t(x) %*% x + lambda * diag(p)) %*% t(x) %*% y)
           [,1]
[1,] -0.05338655
[2,]  0.04285142
[3,] -0.03454318
[4,]  0.08704770
[5,] -0.02599216
[6,] -0.02031802

简单总结：glmnet的标准化默认行为是为了让正则化项对所有特征公平（避免量纲大的特征被过度惩罚），如果需要和原始解析解对齐，要么手动标准化输入，要么关闭函数的标准化开关。

内容的提问来源于stack exchange，提问作者Adrian