基于以下R代码：library(glmnet) library(ggplot2) # 生成5030的随机数据和30个变量 set.seed(1111) n <- 50 p <- 30 X <- matrix(runif(n * p), n, p) y <- rnorm(n) # 生成三组不同系数的线性模型 beta1 <- c(rep(1, 3), rep(0, p - 3)) beta2 <- c(rep(0, 10), rep(1, 3), rep(0, p - 13)) beta3 <- c(rep(0, 20), rep(1, 3), rep(0, p - 23)) y1 <- X %% beta1 + rnorm(n) y2 <- X %% beta2 + rnorm(n) y3 <- X %*% beta3 + rnorm(n)，每个线性模型组，均进行交叉验证，并以par(3,2)的规格分别画出每组在进行交叉验证时，基于不同的$\lambda$的线性回归的CV error图和基于不同的$\lambda$的岭回归下的Prediction error图（图中仅需要有一根线平滑地连接每一个点即可，不需要除开最优$\lambda$取值线外的多余线段，所有画图过程用plot实现）

以下是对应的R代码实现，分别绘制了三组数据的交叉验证CV error图和基于不同的$\lambda$的岭回归下的Prediction error图：

library(glmnet)
library(ggplot2)

# 生成5030的随机数据和30个变量
set.seed(1111)
n <- 50
p <- 30
X <- matrix(runif(n * p), n, p)
y <- rnorm(n)

# 生成三组不同系数的线性模型
beta1 <- c(rep(1, 3), rep(0, p - 3))
beta2 <- c(rep(0, 10), rep(1, 3), rep(0, p - 13))
beta3 <- c(rep(0, 20), rep(1, 3), rep(0, p - 23))
y1 <- X %*% beta1 + rnorm(n)
y2 <- X %*% beta2 + rnorm(n)
y3 <- X %*% beta3 + rnorm(n)

# 定义交叉验证的lambda序列
lambda_seq <- 10^seq(10, -2, length.out = 100)

# 对每组数据进行交叉验证
cv1 <- cv.glmnet(X, y1, lambda = lambda_seq, nfolds = 10)
cv2 <- cv.glmnet(X, y2, lambda = lambda_seq, nfolds = 10)
cv3 <- cv.glmnet(X, y3, lambda = lambda_seq, nfolds = 10)

# 绘制CV error图和Prediction error图
par(mfrow = c(3, 2))
plot(cv1)
plot(cv1, "lambda", main = "Prediction error (Group 1)")
plot(cv2)
plot(cv2, "lambda", main = "Prediction error (Group 2)")
plot(cv3)
plot(cv3, "lambda", main = "Prediction error (Group 3)")

其中，交叉验证的lambda序列采用了对数坐标，从$10^{10}$到$10^{-2}$，共生成100个点。交叉验证的结果通过`cv.glmnet()`函数计算，其中`nfolds`参数指定了采用的折数，这里设为10。交叉验证的结果可以通过`plot()`函数绘制出来，其中第一个图为CV error图，第二个图为Prediction error图。我们通过`par()`函数将三组数据的图形排列在了一个3行2列的规格中，从而方便比较不同组之间的结果。