Интерпретация переменных трассировок LASSO

Я новичок в glmnetпакете, и я все еще не уверен, как интерпретировать результаты. Может ли кто-нибудь помочь мне прочитать следующий сюжет трассировки?

График был получен путем запуска следующего:

library(glmnet)
return <- matrix(ret.ff.zoo[which(index(ret.ff.zoo)==beta.df$date[2]), ])
data   <- matrix(unlist(beta.df[which(beta.df$date==beta.df$date[2]), ][ ,-1]), 
                 ncol=num.factors)
model  <- cv.glmnet(data, return, standardize=TRUE)

op <- par(mfrow=c(1, 2))
plot(model$glmnet.fit, "norm",   label=TRUE)
plot(model$glmnet.fit, "lambda", label=TRUE)
par(op)

На обоих графиках каждая цветная линия представляет значение, полученное другим коэффициентом в вашей модели. Лямбда - это вес, заданный члену регуляризации (норма L1), поэтому, когда лямбда приближается к нулю, функция потерь в вашей модели приближается к функции потерь OLS. Вот один способ, которым вы могли бы указать функцию потерь LASSO, чтобы сделать это конкретным:

Поэтому, когда лямбда очень мала, решение LASSO должно быть очень близко к решению OLS, и все ваши коэффициенты находятся в модели. По мере роста лямбды термин регуляризации оказывает большее влияние, и вы увидите меньше переменных в вашей модели (поскольку все больше и больше коэффициентов будут иметь нулевое значение).

Как я упоминал выше, норма L1 является термином регуляризации для LASSO. Возможно, лучший способ взглянуть на это состоит в том, что ось x - это максимально допустимое значение, которое может принимать норма L1 . Поэтому, когда у вас небольшая норма L1, у вас много регуляризации. Следовательно, нулевая норма L1 дает пустую модель, и по мере увеличения нормы L1 переменные будут «входить» в модель, поскольку их коэффициенты принимают ненулевые значения.

Сюжет слева и график справа в основном показывают одно и то же, только в разных масштабах.