自行网上查阅线性模型的Lasso，岭回归以及弹性网络对，并利用计算机实现产生随机数(如：Y=X^T β+ϵ，其中X是p=100维的正态分布协变量，ϵ是标准正态分布，β=(1,1,1,1,1,0_(p-5) )，样本大小：100)，实现提到的方法。用代码详细实现

Lasso、岭回归（Ridge Regression）和弹性网络（Elastic Net）都是用于线性回归中的正则化方法，它们的目标是在最小化预测误差的同时防止过拟合。这些方法都涉及到损失函数加上一个正则项，正则项的不同导致了三种模型的区别。

- Lasso (Least Absolute Shrinkage and Selection Operator): 它使用的是L1范数作为正则项，这会导致一些系数变为零，实现特征选择的效果。
- Ridge Regression: 使用的是L2范数，也称为权重衰减，它会让所有系数趋向于更小但不为零，所有的特征都会被保留。
- Elastic Net: 是L1和L2正则化的结合，既具有Lasso的稀疏性又保持了Ridge的连续性。

下面是Python中使用`sklearn`库实现这个场景的代码：

import numpy as np
from sklearn.linear_model import Lasso, Ridge, ElasticNet
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split

# 创建随机数据
np.random.seed(0)
p = 100  # 特征维度
beta = [1] * 5 + [0] * (p - 5)  # 固定参数
X = np.random.normal(size=(100, p))  # 正态分布的随机特征矩阵
epsilon = np.random.normal(size=100)  # 标准正态分布的随机误差
y = X @ beta + epsilon  # y = X^T * β + ϵ

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练模型
lasso = Lasso(alpha=0.1)  # Lasso的参数设置
ridge = Ridge(alpha=0.1)  # Ridge的参数设置
elastic_net = ElasticNet(alpha=0.1, l1_ratio=0.5)  # Elastic Net的参数设置（l1_ratio控制L1和L2的比例）

lasso.fit(X_train, y_train)
ridge.fit(X_train, y_train)
elastic_net.fit(X_train, y_train)

# 验证模型性能
print("Lasso coefficients:", lasso.coef_)
print("Ridge coefficients:", ridge.coef_)
print("Elastic Net coefficients:", elastic_net.coef_)

在这个例子中，我们创建了一个随机数据集，然后分别使用三个模型进行训练。每个模型的alpha参数设置了正则化的强度。`coef_`属性返回的是模型的系数估计值，你可以看到Lasso可能会有某些系数为零，而Ridge和Elastic Net的系数则不会有这样的情况。