在临床研究中，LASSO 回归是一种常用方法，特别适用于高维数据中筛选重要变量。glmnet 包提供了 LASSO、岭回归 和 Elastic Net 的高效实现，是处理高维数据的得力工具。
本期内容将介绍 glmnet 包 的核心功能及代码示例，帮助大家掌握该包的基本用法，轻松应对变量筛选和回归建模需求。
本期演示数据将通过 R 语言自行模拟，帮助大家独立掌握数据处理的完整流程。
一、glmnet包 的主要功能包括：
1、LASSO 回归：用于变量筛选和模型拟合，特别适合高维数据。
2、岭回归：通过添加惩罚项解决多重共线性问题。
3、Elastic Net：综合 LASSO 和岭回归的优点，适合复杂数据的建模。
4、交叉验证：使用 cv.glmnet() 函数实现自动化交叉验证，选择最佳 λ（惩罚系数）。
lilibrary(glmnet) set.seed(123) n <- 100 p <- 20 x <- matrix(rnorm(n * p), nrow = n, ncol = p) y <- rnorm(n) lasso_model <- glmnet(x, y, alpha = 1) print(lasso_model) plot(lasso_model, xvar = "lambda", label = TRUE)
![]()
输出内容：
- LASSO 回归路径图：展示惩罚系数 λ 不同取值下各变量的回归系数变化。
交叉验证（CV）是 LASSO 回归的重要步骤，用于选择最优的惩罚系数 λ。以下代码展示如何实现：
cv_lasso <- cv.glmnet(x, y, alpha = 1) print(cv_lasso$lambda.min) print(cv_lasso$lambda.1se) plot(cv_lasso)
![]()
输出内容：
最优 λ 值：根据均方误差（MSE）选择。
CV 曲线图：直观展示 λ 和模型性能的关系。
Elastic Net 结合了 LASSO 和岭回归的优点，其混合参数 α（0 ≤ α ≤ 1）决定了两者的权重。以下代码演示：
elastic_model <- glmnet(x, y, alpha = 0.5) plot(elastic_model, xvar = "lambda", label = TRUE)
输出内容：
glmnet 包 在以下临床研究中具有广泛应用：
1、高维生物标志物筛选：筛选基因组、蛋白组等高维数据中的关键特征。
2、多重共线性问题解决：处理包含高度相关变量的回归模型。
3、个性化风险预测：构建精准的风险预测模型。
CRAN 文档：https: // cran .r - project .org /web /packages /glmnet /index. html通过本期推送，大家可以初步掌握 glmnet 包的基本功能与应用方法。如果你有其他感兴趣的 R 包，欢迎留言告诉我们，我们将为你量身定制相关内容！
今天的分享到这里就结束啦，你学会了吗？大家对于推送内容有任何问题或建议可以在公众号菜单栏“更多--读者的话” 栏目中提出，我们会尽快回复！
期待已久~临床科研交流群来啦！
![]()
若群满，请添加下方微信，备注：“进临床科研与统计_互助交流群” ）
“观科研”（点击进一步了解我们吧）是由一群北京协和医学院（清华大学医学部）的博士开创的公众号，初心是让医学科研有迹可循，帮助一线的医学科研人员更快地成长，希望大家支持与关注！
如果大家对分享医学科研知识感兴趣，特别欢迎加入我们，期待与您的相遇相识相知，也非常欢迎大家自主投稿，如果您有需要分享的内容或对我们有任何建议，可通过后台留言、公众号菜单栏“更多—读者的话”栏目（进一步了解）或发送邮件至mascu_forever@163.com与我们交流并留下个人联系方式，我们会及时与您联系。如果您觉得我们长期的干货推送对您的科研工作有所帮助，可以在合适的机会致谢（包括但不限于SCI论文、毕业论文等），格式如下: The authors thank the support of Skill Learning from Kaixin Doctor and MASCU (Medical Association with Science, Creativity, and Unity), Inc, Shenzhen, China (mascu_forever@163.com).![]()
微信公众号的推送规则发生改变（不再按照时间顺序来显示），如果没有将“观科研”设置为星标，你就可能错失里面的精彩推送。
