我想尝试回答您的主要问题，这里有两种选择：

1. 使用单一标准错误 (1SE) 规则

   • 在为选择目的进行交叉验证时，使用 1SE 规则会有所帮助。计算每个折叠的 CV 估计值的标准误差。不要选择与最小 CV 误差相对应的模型，而是使用最简约的模型，其中 CV 误差在最小值的一个标准误差范围内。

   • R 包glmnet自动执行此操作 - 选择lambda.1se而不是lambda.min.

   • 1SE 规则可以帮助使用 LASSO 选择正确的模型，但估计可能会受到很大的偏差。通常需要一个大的调整参数来将系数设置为零（特别是如果有很多为零）。LASSO 同等地收缩系数，因此大的调整参数会过度收缩大的系数，这会导致大的偏差。收缩应该会引入轻微的偏差，但方差会大幅降低，从而导致预测误差降低。在这种情况下，偏差很大！

   • 编辑：一些作者建议通过使用 LASSO 进行变量选择来克服偏差，然后使用最小二乘法估计所选子集的参数 - 例如参见LARS-OLS Hybrid或Bühlmann 和 van de Geer 讨论的 LASSO 阈值化（2011 )

2. 使用自适应 LASSO 或松弛 LASSO

   • 在选择用于预测的调整参数（最小 CV 误差）时，LASSO 通常包含太多变量。但是，真正的模型很有可能是这些变量的一个子集。这建议使用第二阶段的估计。自适应 LASSO和松弛 LASSO都实现了这一点并控制了 LASSO 估计的偏差。使用任何一种方法，预测最优调整参数都会导致一致的选择。
   • R 包relaxo实现了轻松LASSO。

   • 对于自适应 LASSO，您需要一个初始估计（最小二乘、岭甚至 LASSO 估计）来计算权重。然后，您可以使用与 LASSO 相同的函数来实现它，方法是缩放 X 矩阵：

     w  <- abs(beta.init)  
     x2 <- scale(x, center=FALSE, scale=1/w)  
     

     选择调整参数和估计系数 ( coef) 使用x2

     coef <- coef*w
     

3. 编辑：我遇到了一些其他标准，可用于使用 LASSO 进行变量选择：

   • Wang, et al (2009)提出了一个修改后的 BIC 标准，并表明它是一致的。基本上，因子乘以 BIC 惩罚。当随变化时，他们选择了。对于固定，Chand (2012)显示出一致性。Fan and Tang (2013)时使用的通用版本。$C_{n}$$C_{n}=log(log(p))$$p$$n$$p$$C_{n}=\sqrt n/p$$p>n$

   • Roberts 和 Nowak (2014)提出使用百分位 CV，重复执行交叉验证以产生一个调整参数估计的向量，然后选择最佳的一个作为该向量的 95% 百分位。

   • Sun, et al (2013)提出使用 Cohen 的 kappa 系数来衡量两组之间的一致性。Fang, et al (2013)取平均 kappa 系数和平均 CV 误差的比值，他们称之为 PASS。这两种方法可以使用 R 包pass来实现。

在我的会议论文中，我进行了模拟研究，以比较 LASSO 调整参数选择方法的性能，用于预测和变量选择目的。对于变量选择，我使用 5 倍和 10 倍 CV、百分位 CV、kappa、PASS、BIC 和修改后的 BIC 实现了 1SE 规则。结果表明，这些方法中的大多数确实比 k 倍 CV、LOOCV、GCV、Cp 和 AIC 等预测方法执行了更好的变量选择。

不确定这是否有帮助，但可能您可以创建（使用例如 caret 包）类似于如何解释套索选择图的图，然后选择一个交叉验证的调整值，该调整值充分限制参数空间以允许可解释性？