想尝试一下用Rdonlp2包解lasso和elasticnet问题，但是elastic net的结果确总是出问题（见代码注释），在此向各位请教。

这是lasso结果

<br />
library(Rdonlp2)<br />
library(lasso2)<br />
data=Prostate<br />
X=scale(data[,1:8])<br />
y=scale(data[,9],scale=F)<br />
b=lm(y~X)$coef[-1]<br />
(l1=sum(abs(b)))      #这个是未作lasso时的L1范数<br />
fn=function(beta){sum((y-X%*%beta)^2)}<br />
p=rep(0,8)<br />
alpha=0.9<br />
nlcon=function(beta){sum(abs(beta))}<br />
nlin.l=-Inf<br />
t=0.1                 #把L1范数限制在一个范围以内<br />
nlin.u=t<br />
(ret=donlp2(p, fn, nlin=list(nlcon), nlin.u=nlin.u, nlin.l=nlin.l,control=donlp2.control(nstep=50)))<br />
betastar=ret$par    <br />
sum(abs(betastar))      #看看最优化结果得到的beta范数，还可以，与t相差不多<br />

这是elastic net结果

<br />
p=c(rep(0.1,7),0)<br />
alpha=0.6               #alpha是L2罚权重<br />
(1-alpha)*sum(abs(b))+alpha*sum(b)               #这是未进行enet时的范数和<br />
fn=function(beta){sum((y-X%*%beta)^2)}<br />
p=rep(0,8)    #这是初值<br />
nlcon=function(beta){(1-alpha)*sum(abs(beta))+alpha*sum(beta^2)}<br />
nlin.l=-Inf<br />
t=0.1               #把L1范数限制在这个范围以内 <br />
nlin.u=t<br />
(ret=donlp2(p, fn, nlin=list(nlcon), nlin.u=nlin.u, nlin.l=nlin.l,control=donlp2.control(nstep=50)))<br />
bet=ret$par<br />
(1-alpha)*sum(abs(bet))+alpha*sum(bet)      #计算结果比约束t还要大，难道有错误？？<br />
sum((y-X%*%bet)^2)<br />
sum((y-X%*%b)^2)  <br />
<br />