原文連結：http://tecdat.cn/?p=3795
介紹
Glmnet是一個通過懲罰最大似然來拟合廣義線性模型的包。正則化路徑是針對正則化參數λ的值網格處的套索或彈性網絡罰值計算的。該算法速度極快，可以利用輸入矩陣中的稀疏性x。它符合線性，邏輯和多項式，泊松和Cox回歸模型。可以從拟合模型中做出各種預測。它也可以适合多響應線性回歸。
glmnet算法采用循環坐标下降法，它連續優化每個參數上的目标函數并與其他參數固定，并反複循環直至收斂。該軟體包還利用強大的規則來有效地限制活動集。由于高效的更新和技術，如熱啟動和主動集合收斂，我們的算法可以非常快地計算解決方案路徑。
該代碼可以處理稀疏的輸入矩陣格式，以及系數的範圍限制。其核心glmnet是一組Fortran子程式，它們使執行速度非常快。
該軟體包還包括用于預測和繪圖的方法以及執行K倍交叉驗證的功能。
首先，我們加載glmnet包：
library(glmnet)## Loading required package: Matrix## Loaded glmnet 1.9-9
包中使用的預設模型是高斯線性模型或“最小二乘”，我們将在本節中示範。我們加載一組預先建立的資料用于說明。使用者可以加載自己的資料，也可以使用儲存在工作區中的資料。
load("QuickStartExample.RData")
該指令從該儲存的R資料檔案中加載輸入矩陣x和響應向量y。
我們使用最基本的呼叫來适應模型glmnet。
fit=glmnet(x,y)
“适合”是類的一個對象，glmnet它包含拟合模型的所有相關資訊以供進一步使用。我們不鼓勵使用者直接提取元件。相反，提供對象，如各種方法plot，print，coef和predict，使我們能夠更優雅執行這些任務。
我們可以通過執行plot函數來顯示系數：
MSE在測試集上
我們看到lasso（alpha=1）在這裡做的最好。我們也看到，使用的lambda的範圍與alpha不同。
系數上限和下限
這些是最近添加的增強模型範圍的功能。假設我們想要拟合我們的模型，但将系數限制為大于-0.7且小于0.5。這是很容易通過實作upper.limits和lower.limits參數：
懲罰因素
該參數允許使用者對每個系數應用單獨的懲罰因子。其每個參數的預設值為1，但可以指定其他值。特别是，任何penalty.factor等于零的變量都不會受到懲罰！讓[ 數學處理錯誤]vĴ表示[ 數學處理錯誤]的懲罰因子Ĵ變量。罰款期限變為[ 數學處理錯誤] 請注意，懲罰因子在内部重新調整為與nvars相加。
當人們對變量有先驗知識或偏好時，這非常有用。在很多情況下，一些變量可能非常重要，以至于一直想要保持這些變量，這可以通過将相應的懲罰因子設定為0來實作：