#Lasso回归+交叉验证包
library(glmnet)

#1.数据转矩阵函数：data.matrix（）
x <- data.matrix(Vdata2[,12:108])
y <- data.matrix(Vdata2$MACE)


#2.lasso回归
fit<- glmnet(x, y,family="binomial",alpha=1)

#3.可视化结果
plot(fit, xvar="lambda", label=T)

#4.使用交叉验证来确定最佳的lambda。默认nfolds=10
cv.fit <- cv.glmnet(x, y,
                    family="binomial",
                    alpha = 1)
plot(cv.fit)

#5.显示两个惩罚值（调优系数）下的变量及其回归系数
ridge.coef1 <- predict(fit, s=cv.fit$lambda.1se, type = "coefficients");ridge.coef1
ridge.coef2 <- predict(fit, s=cv.fit$lambda.min, type = "coefficients");ridge.coef2



## 这里我们以lambda.1se为最优 λ
best_lambda <- cv.fit$lambda.1se
best_lambda


print(fit)#把fit结果输出,核对λ对应变量数量