这里的要点是，在cv.glmnetK 个折叠（“部分”）中是随机挑选的。

在 K-folds 交叉验证中，数据集被划分为个部分，部分用于预测第 K 个部分（这做了次，每次使用不同的这对所有的 lambdas 都完成了，并且是给出最小交叉验证错误的那个。$K$$K-1$$K$$K$lambda.min

这就是为什么当您使用结果不会改变的原因：每个组由一个组组成，因此组没有太多选择。$nfolds = n$$K$

从cv.glmnet()参考手册：

还要注意 cv.glmnet 的结果是随机的，因为折叠是随机选择的。用户可以通过多次运行 cv.glmnet 并平均误差曲线来减少这种随机性。

### cycle for doing 100 cross validations
### and take the average of the mean error curves
### initialize vector for final data.frame with Mean Standard Errors
MSEs <- NULL
for (i in 1:100){
                 cv <- cv.glmnet(y, x, alpha=alpha, nfolds=k)  
                 MSEs <- cbind(MSEs, cv$cvm)
             }
  rownames(MSEs) <- cv$lambda
  lambda.min <- as.numeric(names(which.min(rowMeans(MSEs))))

MSEs 是包含所有 lambdas 的所有错误（对于 100 次运行）的数据框， lambda.min是具有最小平均错误的 lambda。

最近我遇到了同样的问题。我尝试多次重复 CV，比如在我的数据集上重复 100、200、1000，试图找到最好的和（我使用的是弹性网络）。但即使我创建 3 个 cv 测试，每个测试有 1000 次迭代，平均每个的最小 MSE ，我得到 3 个不同的最佳（，）对。$\lambda$$\alpha$$\alpha$$\lambda$$\alpha$

我不会在这里触及问题，但我决定我的最佳解决方案不是平均最小 MSE，而是提取每次迭代的系数最佳，然后将它们视为值的分布（随机变量）。$\alpha$$\lambda$

然后，对于我得到的每个预测器：

• 平均系数
• 标准差
• 5 个数字摘要（中位数、四分位数、最小值和最大值）
• 时间百分比不为零（即有影响）

这样我就可以对预测器的效果进行非常可靠的描述。一旦你有了系数的分布，你就可以运行任何你认为值得得到 CI、p 值等的统计数据……但我还没有对此进行调查。

这种方法或多或少可以与我能想到的任何选择方法一起使用。

我将添加另一个解决方案，它可以处理 @Alice 中由于缺少 lambdas 而导致的错误，但不需要像 @Max Ghenis 这样的额外包。感谢所有其他答案 - 每个人都提出有用的观点！

lambdas = NULL
for (i in 1:n)
{
    fit <- cv.glmnet(xs,ys)
    errors = data.frame(fit$lambda,fit$cvm)
    lambdas <- rbind(lambdas,errors)
}
# take mean cvm for each lambda
lambdas <- aggregate(lambdas[, 2], list(lambdas$fit.lambda), mean)

# select the best one
bestindex = which(lambdas[2]==min(lambdas[2]))
bestlambda = lambdas[bestindex,1]

# and now run glmnet once more with it
fit <- glmnet(xy,ys,lambda=bestlambda)

爱丽丝的答案在大多数情况下效果很好，但有时会由于 cv.glmnet$lambda有时返回不同长度的结果而出错，例如：

行名错误<-(tmp, value = c(0.135739830284452, 0.12368107787663, : 'dimnames' [1] 的长度不等于数组范围。

OptimLambda下面应该在一般情况下工作，并且通过利用mclapply并行处理和避免循环也更快。

Lambdas <- function(...) {
  cv <- cv.glmnet(...)
  return(data.table(cvm=cv$cvm, lambda=cv$lambda))
}

OptimLambda <- function(k, ...) {
  # Returns optimal lambda for glmnet.
  #
  # Args:
  #   k: # times to loop through cv.glmnet.
  #   ...: Other args passed to cv.glmnet.
  #
  # Returns:
  #   Lambda associated with minimum average CV error over runs.
  #
  # Example:
  #   OptimLambda(k=100, y=y, x=x, alpha=alpha, nfolds=k)
  #
  require(parallel)
  require(data.table)
  MSEs <- data.table(rbind.fill(mclapply(seq(k), function(dummy) Lambdas(...))))
  return(MSEs[, list(mean.cvm=mean(cvm)), lambda][order(mean.cvm)][1]$lambda)
}