如何解释空间计量模型lambda

lambda: Item.objects.all()是一个无参数的匿名函数。 lambda request: request.session["loguname"]是一个有参数的匿名函数，需要你提供参数request。显然视图函数不会把他的request参数自动赋值给你的lambda request。

我们知道，正则项通过控制参数来防止过拟合的，下面以L2正则为例，看看怎么选择lambda，以及和偏差和方差之间的关系。

首先需要做的事，就是选择出一些lambda的备选值，并且以2倍的速度进行增长选取。对于特定的lambda，极小化损失函数得到最优参数，再在验证集上观察验证损失。

加入我们选取了12个备选的lambda值，那么可以得到12组参数以及12个验证损失，我们比较这12个验证损失的值，找出最小的，就是最合适的lambda的值，然后再在测试集上测试。

下面来分析下随着lambda的变化，学习曲线的变化情况，当lambda很小的时候，最极端的是等于0，相当于没有正则项，那么很容易过拟合，而且模型偏复杂，这时候方差比较大，在训练集上表现很好，但是在验证集上表现并不是很好。但是当lambda很大的时候，那么这时候参数都很小，趋近于0，那么只有常数项，此时模型会有很大的偏差，那么训练误差和验证误差都很大。

但是当我们为模型选择合适的复杂度的时候，会得到一个验证误差的最优值，其实此时也是我们应该选择的lambda的值哦~~

如何比较lasso模型和alasso模型的优劣

glmnet和lars一样都可以得到整个path，glmnet里面用的是CV选择的最优lambda，本身可以直接求解lasso估计，BIC直接根据其definition formula编写一个小的function来计算。你用glmnet得到的最优lambda不能直接用于计算adaptive lasso估计，因为两者对应的最优lambda不一定相同，都可以按照CV或者BIC来选择。

---