我使用glmnet得到了一个L2归一化的逻辑回归模型（即岭回归模型） –
ridge.model <- glmnet(x, y, alpha = 0, family = "binomial", lambda = bestlam)现在，我想使用10折交叉验证来找到它的测试错误率。这可以使用cv.glm来完成，如下所示 –
fit_10CV<- glm(good ~ ., family = binomial, data = winedata)fit_10CV.cv.err =cv.glm(winedata ,fit_10CV, cost1, K = 10) # 10折交叉验证但它需要一个glm对象（在本例中为fit_10CV）。
但是，glmnet的输出是一个glmnet对象，而cv.glm无法接受。我感觉自己离目标很近却又很远，因为glmnet给了我所需的逻辑回归模型，但它没有以我可以直接输入到cv.glm中来获取10折交叉验证测试错误率的形式（即作为一个glm对象）提供给我。
任何帮助都将不胜感激！
回答：
你可以使用以下两种方法来实现这一点：
url="https://raw.githubusercontent.com/stedy/Machine-Learning-with-R-datasets/master/winequality-white.csv"winedata = read.csv(url)winedata$good = factor(ifelse(winedata$quality>6,1,0))winedata$quality = NULL首先我们运行cv.glmnet，它只保留平均标准误：
library(caret)library(glmnet)x = model.matrix(good ~ ., family = binomial, data = winedata)cv_glmnet = cv.glmnet(x, winedata$good, family = "binomial", type.measure = "class",alpha=0,nfolds = 10)我们收集测试的lambda值，并使用caret来进行交叉验证：
tr = trainControl(method="cv",number=10)trGrid = data.frame(lambda=cv_glmnet$lambda,alpha=0)cv_caret = train(good ~ .,data=winedata,trControl = tr,tuneGrid=trGrid,family="binomial",method="glmnet")在caret中，他们测量准确率，而1 – 准确率就是你从cv.glmnet中得到的误分类错误率。我们将它们放在一起，你可以看到它们非常相似
library(ggplot2)df = rbind(data.frame(lambda=cv_glmnet$lambda,mean_error=cv_glmnet$cvm,method="cv.glmnet"),data.frame(lambda=cv_caret$results$lambda,mean_error=1-cv_caret$results$Accuracy,method="cv.caret"))ggplot(df,aes(x=log(lambda),y=mean_error,col=method)) + geom_point() +facet_wrap(~method) + theme_bw()
你可以从最佳模型的各个重抽样中获取错误，如下所示：
cv_caret$resample Accuracy Kappa Resample1 0.7975460 0.1987720 Fold092 0.8163265 0.3127844 Fold013 0.7918367 0.1631505 Fold024 0.8057260 0.2311448 Fold055 0.8061224 0.2777347 Fold046 0.7979592 0.1989498 Fold077 0.8081633 0.2759683 Fold108 0.8183673 0.3053742 Fold089 0.8102041 0.2474983 Fold0310 0.7979592 0.1989498 Fold06