你真的不需要打扰。在大多数软件包（如 glmnet）中，如果您不指定，软件包会生成自己的序列（通常推荐）。我强调这个答案的原因是，在 LASSO 运行期间，求解器会生成一系列，因此虽然提供单个值可能违反直觉，但实际上可能会大大减慢求解器的速度（当您提供精确的参数时，求解器求助于解决一个半确定的程序，该程序对于合理的“简单”情况可能会很慢。）$\lambda$$\lambda$$\lambda$

至于的确切值，您可以从中选择您想要的任何内容。请注意，如果您的值太大，则惩罚将太大，因此没有一个系数可以是非零的。如果惩罚太小，您将过度拟合模型，这将不是最好的交叉验证解决方案 $\lambda$$[0,\infty[$$\lambda$

对于那些试图弄清楚这一点的人：

我发现允许glmnet计算和我们创建一个范围供它选择 ( ) 之间存在很大差异。$\lambda$grid

College这是在数据集中使用“申请人”的示例ISLR

# Don't forget to set seed
set.seed(1)
train <- sample(1:dim(College)[1], 0.75*dim(College[1]))

# Matrices
xmat.train <- model.matrix(Apps~.-1,data=College[train,])
xmat.test <- model.matrix(Apps~.-1, data= College[-train,])

y <- College$Apps[train]

# Create a grid of values for the scope of lambda (optional):
grid <- 10 ^ seq(10,-2,length = 100)

# Add the grid here as lambda (optional)
ridge.fit <- glmnet(xmat.train, y, alpha = 0, lambda=grid)
cv.ridge <- cv.glmnet(xmat.train, y, alpha =0, lambda=grid)

bestlam <- cv.ridge$lambda.min
cat("\nBestlam (with grid):",bestlam)

pred <- predict(ridge.fit, s = bestlam, newx= xmat.test)
cat("\nWith Grid:", mean((College$Apps[-train]-pred)^2))

# Again but without the grid (allowing R to figure lambda out
ridge.fit <- glmnet(xmat.train, y, alpha = 0)
cv.ridge <- cv.glmnet(xmat.train, y, alpha =0)

bestlam <- cv.ridge$lambda.min
cat("\n\nBestlam (no grid):",bestlam)

pred <- predict(ridge.fit, s = bestlam, newx= xmat.test)
cat("\nWithout Grid:", mean((College$Apps[-train]-pred)^2))

您可以自己运行它，也可以grid相应地进行更改，我已经看到了从grid <- 10 ^ seq(10,-2,length = 100)到grid <- 10^seq(3, -2, by = -.1).

我最好的猜测是可以限制为某些值，这取决于我们找出最佳范围。$\lambda$

我还发现本指南很有帮助-> https://drsimonj.svbtle.com/ridge-regression-with-glmnet