借助http://web.stanford.edu/~hastie/glmnet/glmnet_alpha.html中的出色插图（您也可以查看 CRAN 包页面），一旦您掌握了它，使用glmnet就非常容易。至于 的最佳 lambda ，经验法则是使用glmnet

cvfit <- glmnet::cv.glmnet(x, y)
coef(cvfit, s = "lambda.1se")

而不是lambda.min.

要为lars您做同样的事情，您必须手动完成。这是我的解决方案

cv <- lars::cv.lars(x, y, plot.it = FALSE, mode = "step")
idx <- which.max(cv$cv - cv$cv.error <= min(cv$cv))
coef(lars::lars(x, y))[idx,]

请记住，这并不完全相同，因为这是在套索结处（当变量进入时）而不是在任何点处停止。

请注意，这glmnet是现在首选的包，它被积极维护，比 更重要lars，并且之前已经回答过关于glmnetvs的lars问题（使用的算法不同）。

至于您使用套索选择变量然后拟合 OLS 的问题，这是一个持续的争论。Google for OLS post Lasso 并且有一些论文讨论了这个话题。即使是《统计学习要素》的作者也承认这是可能的。

编辑glmnet：这是更准确地重现的代码lars

  cv <- lars::cv.lars(x, y, plot.it = FALSE)
  ideal_l1_ratio <- cv$index[which.max(cv$cv - cv$cv.error <= min(cv$cv))]
  obj <- lars::lars(x, y)
  scaled_coefs <- scale(obj$beta, FALSE, 1 / obj$normx)
  l1 <- apply(X = scaled_coefs, MARGIN = 1, FUN = function(x) sum(abs(x)))
  coef(obj)[which.max(l1 / tail(l1, 1) > ideal_l1_ratio),]

因为我认为我已经解决了正确的解决方案，所以我不久前又回到了这个问题。

这是使用 mtcars 数据集的副本：

library(glmnet)
`%ni%`<-Negate(`%in%')
data(mtcars)

x<-model.matrix(mpg~.,data=mtcars)
x=x[,-1]

glmnet1<-cv.glmnet(x=x,y=mtcars$mpg,type.measure='mse',nfolds=5,alpha=.5)

c<-coef(glmnet1,s='lambda.min',exact=TRUE)
inds<-which(c!=0)
variables<-row.names(c)[inds]
variables<-variables[variables %ni% '(Intercept)']

“变量”为您提供解决最佳解决方案的变量列表。

也许与前向选择逐步回归的比较会有所帮助（请参阅以下作者之一的网站链接http://www-stat.stanford.edu/~tibs/lasso/simple.html）。这是统计学习的要素（可在线免费获得）第 3.4.4 章中使用的方法。我认为那本书中的第 3.6 章有助于理解最小二乘法、最佳子集和套索（以及一些其他程序）之间的关系。我还发现对系数 t(coef(model)) 和 write.csv 进行转置很有帮助，这样我就可以在 Excel 中打开它以及旁边的 plot(model) 副本。您可能希望按包含最小二乘估计的最后一列进行排序。然后您可以清楚地看到每个变量如何在每个分段步骤中添加，以及系数如何变化。当然这不是故事的全部，但希望这将是一个开始。

lars并对glmnet原始矩阵进行操作。要包含交互项，您必须自己构建矩阵。这意味着每个交互作用一列（如果您有因素，则每个因素的每个级别）。看看lm()它是如何做到的（警告：有龙）。

要立即执行此操作，请执行以下操作：要手动创建交互项，您可以（但也许不应该，因为它很慢）执行以下操作：

int = D["x1"]*D["x2"]
names(int) = c("x1*x2")
D = cbind(D, int)

然后在 lars 中使用它（假设你有一个y踢球）：

lars(as.matrix(D), as.matrix(y))

我希望我能在其他问题上为您提供更多帮助。我找到这个是因为 lars 让我很伤心，而且它和网络上的文档非常薄。