我试图了解我应该在这里做什么。我已经应用了 lasso 和岭回归，找到了最佳 lambda 并重新拟合了模型。但我不明白在那之后我应该做什么。
问题：
"。对于糖尿病数据集（上传到 Moodle），我们希望使用 10 个特征（X 变量） 预测 prog (Y)，即基线后一年疾病进展的定量评估。 变量 prog 是数据中的最后一列。在拟合岭回归和 LASSO 之前，不要 忘记对所有 X 变量进行标准化，以使它们具有相同的比例。 使用岭回归和 LASSO 预测 prog。在两个回归中，选择最优 lambda 使用交叉验证。最佳 lambda 将对应于最小 CV 误差。 为了获得最佳 lambda，重新拟合 ridge 和 LASSO 模型。使用 1000 个引导程序运行引导程序 复制以获得回归系数估计的标准误差 (SE)。 对于每个 bootstrap 复制，您必须重新调整 ridge 和 LASSO 模型并聚合 回归系数的估计。然后，回归系数的 SE 估计值将 自举估计的标准差。 "
【问题讨论】：
很遗憾，我没有足够的声誉来发表评论，所以这里有一个答案。
样本统计量的抽样分布的标准差是标准误。通过引导，您正在为您的估计生成一个抽样分布。标准误差就是这些估计值的标准差。
由于您已经完成了交叉验证，我假设您熟悉引导程序。它们都是重采样方法，但自举使用带替换的采样，而交叉验证不带替换的样本（这是一个非常简化的方法 - 自然它们有不同的应用程序）。您将多次使用新生成的样本重新拟合您的模型，并获得每个样本的估计系数。这些估计值的标准差就是标准误。
这是一个使用我们生成的数据的平均值的示例，因为您没有为自己的示例提供代码或数据。
set.seed(360)
x <- rnorm(1000)
xhat <- mean(x)
## we'll do 1000 replicates
B <- 1000
## here we generate 1000 samples and take the mean of each one of those samples
xhat_star <- apply(matrix(sample(x, rep=TRUE, B*length(x)), nrow=B), 1, mean)
standard_error <- sd(xhat_star)
话虽如此，我不确定使用这种方法得出的标准误差对于惩罚回归有多大意义。您已经对估计产生了偏差并减少了方差。这可能是对精度的误导性估计。请参阅penalized package 的第 18 页，了解有关惩罚回归中标准误差的说明。
【讨论】：