这篇文章中我们可以编写自己的代码来计算套索(lasso)回归，
我们必须定义阈值函数
R函数是
thresh = function(x,a){sign(x) * pmax(abs(x)-a,0)}
要解决我们的优化问题，设置
这样就可以等效地写出优化问题
因此
一个得到
同样，如果有权重ω=（ωi），则按坐标更新将变为
计算此分量下降的代码是
lasso = function(X,y,beta,lambda,tol=1e-6,maxiter=1000){ beta0 = sum(y-X%*%beta /(length(y))beta0list[1] = beta0for (j in 1:maxiter){for (k in 1:length beta)){r = y - X[,-k]%*%beta[-k] - beta0*rep(1,length(y )beta[k] = (1/sum(omega*X[,k]^2) *threshog(t(omega*r)%*%X[,k ,length(y *lambda)}beta0 = sum(y-X%*%beta)/(length(y)) obj[j] = (1/2)*(1/length(y))*norm(omega*(y - X%*%beta -beta0*rep(1,length(y))),'F')^2 + lambda*sum(abs(beta))if (norm(rbind(beta0list[j],betalist[[j]]) -rbind(beta0,beta),'F') ) { break }
例如，考虑以下（简单）数据集，其中包含三个协变量
chicago = read.table("data.txt",header=TRUE,sep=";")
我们可以“标准化”
for(j in 1:3) X[,j] = (X[,j]-mean(X[,j]))/sd(X[,j]) y = (y-mean(y))/sd(y)
要初始化算法，使用OLS估算
lm(y~0+.,)$coef
例如
lasso(X,y,beta_init,lambda=.001)$obj[1] 0.001014426 0.001008009 0.001009558 0.001011094 0.001011119 0.001011119 $beta[,1]X_1 0.0000000X_2 0.3836087X_3 -0.5026137 $intercept[1] 2.060999e-16
我们可以通过循环获得标准的lasso图
最受欢迎的见解
