弹性网络Elastic Net¶

一句话概述：弹性网络（Elastic Net）结合了LASSO(L1)和Ridge(L2)正则化的优点，通过alpha参数控制两者的混合比例，解决了LASSO在高度相关特征中只选一个的问题，适合基因表达等存在共线性的高维数据。

核心知识点速查表¶

概念	说明
Elastic Net	L1+L2混合正则化（白话：LASSO和Ridge的"混血儿"）
alpha	混合比例：alpha=1(纯LASSO)，alpha=0(纯Ridge)，0<alpha<1(弹性网络)
lambda	正则化强度（和LASSO一样用CV选）
分组效应	相关变量倾向于一起被选入或排除（LASSO做不到）
共线性	特征之间高度相关（基因共表达很常见）

一、核心原理¶

# 三种正则化对比：
# Ridge:       最小化 RSS + λ × Σ βj²           （L2，不做特征选择）
# LASSO:       最小化 RSS + λ × Σ |βj|          （L1，做特征选择但忽略相关性）
# Elastic Net: 最小化 RSS + λ × [α×Σ|βj| + (1-α)×Σβj²/2]
#                                  ↑ L1部分    ↑ L2部分

# alpha=1 → 纯LASSO
# alpha=0 → 纯Ridge  
# alpha=0.5 → 各占一半（最常用的弹性网络设置）

二、R语言实操¶

# === 弹性网络回归 ===
library(glmnet)

x <- as.matrix(gene_expr)                     # 特征矩阵
y <- clinical$outcome                          # 响应变量

# === 方法1: 固定alpha，CV选lambda ===
set.seed(42)
cv_enet <- cv.glmnet(
  x, y,
  family = "binomial",                         # 二分类
  alpha = 0.5,                                 # 弹性网络（0.5 = L1和L2各一半）
  nfolds = 10                                  # 10折交叉验证
)
plot(cv_enet)                                   # lambda选择图

# === 方法2: 同时优化alpha和lambda ===
# 遍历不同alpha值
alphas <- seq(0.1, 1, by=0.1)                  # alpha从0.1到1
cv_results <- list()                            # 存储结果

for (a in alphas) {
  set.seed(42)
  cv_fit <- cv.glmnet(x, y, family="binomial",
                       alpha=a, nfolds=10)
  cv_results[[as.character(a)]] <- data.frame(
    alpha = a,
    lambda = cv_fit$lambda.1se,                 # 最优lambda
    cvm = min(cv_fit$cvm)                       # 最小CV误差
  )
}

# 找最优alpha
results_df <- do.call(rbind, cv_results)
best_alpha <- results_df$alpha[which.min(results_df$cvm)]
cat("最优alpha:", best_alpha, "\n")

# 用最优alpha重新拟合
final_fit <- cv.glmnet(x, y, family="binomial",
                        alpha=best_alpha, nfolds=10)
coef_final <- coef(final_fit, s="lambda.1se")
selected <- rownames(coef_final)[coef_final[,1] != 0][-1]
cat("选中", length(selected), "个特征\n")

# === 使用caret自动调参 ===
library(caret)

# 设置训练控制
ctrl <- trainControl(
  method = "cv",                               # 交叉验证
  number = 10,                                 # 10折
  classProbs = TRUE,                           # 输出类别概率
  summaryFunction = twoClassSummary             # 二分类评估
)

# 网格搜索alpha和lambda
grid <- expand.grid(
  alpha = seq(0, 1, by=0.1),                   # alpha范围
  lambda = 10^seq(-4, -1, length=20)            # lambda范围
)

# 训练
set.seed(42)
enet_model <- train(
  x, factor(y),
  method = "glmnet",                            # 弹性网络
  trControl = ctrl,
  tuneGrid = grid,
  metric = "ROC"                                # 优化AUC
)

# 查看最优参数
print(enet_model$bestTune)
plot(enet_model)                                # 参数调优图

三、与LASSO的实际比较¶

# === 对比LASSO和Elastic Net ===
set.seed(42)

# LASSO (alpha=1)
cv_lasso <- cv.glmnet(x, y, family="binomial", alpha=1, nfolds=10)
coef_lasso <- coef(cv_lasso, s="lambda.1se")
n_lasso <- sum(coef_lasso[-1,1] != 0)

# Elastic Net (alpha=0.5)
cv_enet <- cv.glmnet(x, y, family="binomial", alpha=0.5, nfolds=10)
coef_enet <- coef(cv_enet, s="lambda.1se")
n_enet <- sum(coef_enet[-1,1] != 0)

# Ridge (alpha=0)
cv_ridge <- cv.glmnet(x, y, family="binomial", alpha=0, nfolds=10)

cat("LASSO选中:", n_lasso, "个变量\n")           # 通常较少
cat("Elastic Net选中:", n_enet, "个变量\n")       # 通常中等
cat("Ridge: 不做选择, 保留所有变量\n")

# 比较CV误差
cat("LASSO min CV error:", min(cv_lasso$cvm), "\n")
cat("Elastic Net min CV error:", min(cv_enet$cvm), "\n")
cat("Ridge min CV error:", min(cv_ridge$cvm), "\n")

四、面试高频考点¶

Q1: 什么时候用弹性网络而不是LASSO？¶

特征之间存在高度相关性（如基因共表达网络中的基因）
LASSO从相关基因中只选一个，弹性网络倾向于一起选
特征数(p)远大于样本数(n)时，弹性网络更稳定
白话：一群关系好的同事，LASSO只留一个代表，弹性网络可以留整个团队

Q2: alpha怎么选？¶

alpha=1: 纯LASSO，变量选择最严格
alpha=0.5: 常用的弹性网络设置
alpha→0: 更像Ridge，保留更多变量
最佳做法：用CV同时优化alpha和lambda

Q3: 三种正则化方法的选择建议？¶

场景	推荐方法
需要特征选择，特征独立	LASSO
需要特征选择，特征相关	Elastic Net
不需要特征选择，防过拟合	Ridge
不确定	Elastic Net（最安全）

常见报错与解决¶

报错	原因	解决方案
`alpha=0时计算慢`	Ridge没有稀疏解	正常，耐心等待
`选的变量太多`	alpha太小	增大alpha接近1
`结果不稳定`	样本太少	增加nfolds或用重复CV

速查表¶

# === 弹性网络速查 ===
library(glmnet)

# 弹性网络(alpha=0.5)
cv_fit <- cv.glmnet(x, y, family="binomial", alpha=0.5, nfolds=10)

# 查看结果
plot(cv_fit)
coef(cv_fit, s="lambda.1se")

# 自动调参(caret)
library(caret)
train(x, y, method="glmnet", tuneLength=10)

# alpha选择: 1=LASSO | 0.5=弹性网络(常用) | 0=Ridge