朋友，我就是想解决一下7楼的问题，把显著的β选出来，再把数值估计出来，可不可以帮我看看用R的lars怎么实现，万分感谢啊

object<-lars(x,y,"lar")
predict(objct,s=lambda,type="coefficient",mode="lambda")
或
coef(object,s=lambda,mode="lambda") ,
注意，参数中的两个lambda，前一个是你定的参数值，后一个是字符串。
最后你可以看图验证一下。
plot.lars(object)

昨天说的有问题,我今天又试了一下,看过他的帮助文件后,在coef()中的s=lambda,不是lasso中惩罚函数的lambda.我用glmnet看了一下两者的区别,s不是咱们常说的regularizatio parameter.
如果要解lasso,用glmnet效率更高.不妨可用这个函数来解决这个问题.

朋友，谢谢你的热心帮助，我看了glmnet的例子，像这样的程序能得到lasso最优解吗
x=matrix(rnorm(100*20),100,20)
y=rnorm(100)
fit1=glmnet(x,y)
coef(fit1)
我用R运行后得到一个65*21的矩阵，我想应该是每一列都对应一个相应惩罚项的lasso解吧，但是我想要optimal的路径，怎么选择要哪一列呢

用lars的话，可以用悬着min CP 的那个的那个lambda， 然后带入coef.lars

lambda对应的就是penalty 。

个人觉得glmnet用法不是很明确。但是使用的范围更广，如可用在logistic model。

some of my friend just did a project on it

thanks!!

could you do a simple example in matlab as well?

cheers

好的，我去试一下

如果你要选择一个最优的lasso解,那你可以用一些准则来做,如GCV,BIC,f-CV等.我做的是logistic regression,感觉还好.
      l1<-glmnet(Xs1,Ys,lambda=lam,standardize=FALSE)
      b1<-l1$beta
上面是我做的程序中的一步.lam是你选定的一个数,
12楼说的,我先去试试.

各位真是太厉害了，我用了cv准则，最后得到的模型挺不错的，踢出了一部分不显著变量，显著变量的系数也很准，谢谢三位的帮忙，这个论坛真是让人受益非浅

12# pandahc
> summary(object)
LARS/LASSO
Call: lars(x = x, y = y)
   Df     Rss     Cp
0   1 2621009 453.73
1   2 2510465 418.03
2   3 1700369 143.80
3   4 1527165  86.74
4   5 1365734  33.70
5   6 1324118  21.51
6   7 1308932  18.33
7   8 1275355   8.88
8   9 1270233   9.13
9  10 1269390  10.84
10 11 1264977  11.34
11 10 1264765   9.27
12 11 1263983  11.00
> min(object$Cp)
[1] 8.88
> coef.lars(object)
         age    sex   bmi   map   tc   ldl  hdl tch ltg  glu
[1,]   0.00    0.0   0.0   0.0    0   0.0    0   0   0  0.0
[2,]   0.00    0.0  60.1   0.0    0   0.0    0   0   0  0.0
[3,]   0.00    0.0 361.9   0.0    0   0.0    0   0 302  0.0
[4,]   0.00    0.0 434.8  79.2    0   0.0    0   0 375  0.0
[5,]   0.00    0.0 505.7 191.3    0   0.0 -114   0 440  0.0
[6,]   0.00  -74.9 511.3 234.2    0   0.0 -170   0 451  0.0
[7,]   0.00 -112.0 512.0 252.5    0   0.0 -196   0 452 12.1
[8,]   0.00 -197.8 522.3 297.2 -104   0.0 -224   0 515 54.8
[9,]   0.00 -226.1 526.9 314.4 -195   0.0 -152 106 530 64.5
[10,]   0.00 -227.2 526.4 315.0 -237  33.6 -135 111 545 64.6
[11,]  -5.72 -234.4 522.6 320.3 -554 286.7    0 149 663 66.3
[12,]  -7.01 -237.1 521.1 321.5 -580 313.9    0 140 675 67.2
[13,] -10.01 -239.8 519.8 324.4 -792 476.7  101 177 751 67.6
最小的Cp对应的beta是第八组 0.00 -197.8 522.3 297.2 -104   0.0 -224   0 515 54.8，即为最优参数？

请问怎样利用cv准则？

我仔细看了看,还是不太明白其中的参数S 是怎么取的,楼主能给点指点么?