正如您在视频中所见，glmnet 模型实际上会一次拟合多个模型（这是该包的一大优点）。您可以通过传入大量的 lambda 值来利用这一点，lambda 用于控制模型的惩罚强度。train() 足够智能：对于每个 alpha 值只拟合一个模型，并一次性传入所有 lambda 值以同时拟合。

我最喜欢用于 glmnet 模型的调参网格是：

expand.grid(
  alpha = 0:1,
  lambda = seq(0.0001, 1, length = 100)
)

该网格会探索大量的 lambda 值（实际上是 100 个），从非常小到相对较大。（您也可以把最大 lambda 提高到 10，但在本练习中 1 是一个合适的上界。）

如果您想探索更少的模型，可以使用更短的 lambda 序列。例如，lambda = seq(0.0001, 1, length = 10) 会在每个 alpha 值下拟合 10 个模型。

使用这个 tuneGrid，您也可以查看两种形式的惩罚模型：岭回归和套索回归。alpha = 0 是纯岭回归，alpha = 1 是纯套索回归。您也可以使用 0 与 1 之间的 alpha 来拟合两者的混合（即弹性网）。例如，alpha = 0.05 表示 95% 的岭回归与 5% 的套索回归。

在这个问题中，您将只探索两个极端——纯岭回归与纯套索回归——以便说明它们的差异。

自定义调参网格的优势

在 R 中使用 caret 的机器学习

动手互动练习