在lasso或者elastic net模型中如何用cross validation选择参数

在lasso或者elastic net中，会涉及到一个（λ）或者两个参数（λ和α）的确定，有文献里说用cross validation的方法来确定这些参数。看了些资料，我了解的是大概是这么做的，但是不能确定是否正确，请大神们指点一二。

例如用10-fold cross validation，对给定参数（λ或者λ和α）计算平均预测误差，即CV(λ)=Σk(Ek)/10，这里Ek是每次交叉验证用validation集计算的误差的平方和。对不同的参数，分布计算CV(λ)，最后取最小化CV(λ)的那个参数为模型的参数。

不知上述做法是否有误？

这里我有个疑问，如果参数的定义域零到正无穷，那么该如何选择参数？

推荐caret package 包装了上述方法，可以交叉验证，另外你理解的正确取10-cv 均值来衡量，还有一种更细的分训练集分 train validate set，train上用10-cv求然后带到validate上

回复第2楼的 twinsken：谢谢2楼的回复。[s:11]

但是我们怎么保证一定能找到这样的使得CV(λ)最大值的解呢？

不是很理解你说的有个bias-variance trade off ，模型的mean-cv error 基本都是一个凹的曲线，有最小值的当你用grid 找了一堆参数发现递增或者递减可以考虑换个方向去找

回复第4楼的 twinsken：哦，大致明白了。O(∩_∩)O谢谢

现在还有另外一个问题，模型训练出来之后，怎么确定这个模型是具有统计显著性的呢？

回复第6楼的 zjfscu：lasso由于模型比较复杂，没有直接的参数检验。

统计显著性是什么意思

回复第8楼的 twinsken：在统计学里，拟合好一个模型后会做一次统计检验看看模型是否是有统计意义的，就是检验模型是否比随机猜测好。

没学过统计各种不懂，从数据挖掘上来说一般有些评价指标来评价模型好坏，分类上有准确率召回率（4个），F-score,AUC，AOC,kappa static等

回复第10楼的 twinsken：两个学科看来确实有挺大差别的。我自学数据挖掘有时也是一头雾水。