LARS frente a LASSO y validación cruzada

Question

Me gustaría aplicar el algoritmo lars a un conjunto de datos.

En primer lugar, ajusté el modelo al conjunto de entrenamiento y luego lo examiné en el conjunto de pruebas.

Mis preguntas:

1- Después de utilizar la validación cruzada "cv.lars" no sé cómo elegir el error mínimo de validación cruzada con el fin de elegir el mejor modelo. mientras que está claro cuando usé glmnet escribiendo en el programa R cv$lambda.min entonces después de obtener el valor mínimo ajusté el modelo en este valor. ¿Cómo puedo seleccionar el valor mínimo basado en la validación cruzada?

Por ejemplo

coef<- predict(lar, type="coef",s=?? mode="norm",newx=x[testset,])

Quiero elegir el mejor valor de s (también podemos llamarlo $\lambda$ ) basado en la validación cruzada.

Este es el gráfico de validación cruzada

2- También he trazado lars y lasso, pero no he visto ninguna diferencia.

¿Podría aclarar las diferencias entre ellos, por favor?

3- Utilizando la función glmnet, puedo trazar los valores de lambda en el eje x. ¿Funciona esto con la función lars?

4-¿Cómo calcular el error cuadrático medio en el conjunto de pruebas?

Gracias de antemano.

Answer 1

1- Puedes elegir el mínimo basándote en los valores del CP o puedes utilizar "which.min".

2- No tengo ni idea de ello.

3- No creo que se pueda trazar lambda en el eje x.

4- Calcular el MSE de cualquier modelo de regresión en algún conjunto de prueba: $$\frac{1}{N}\sum\limits_{i=1}^N(\hat{y}_i-y_i)^2,$$ donde $\hat{y}_i$ son los valores previstos y $y_i$ son los valores observados. Por lo tanto, se puede escribir esta fórmula en el programa R manualmente.

mean((predicted(y_i)-observed(y_i))^2)

Espero que mis respuestas le ayuden.

(editado: añadir el cuadrado a la fórmula del MSE)