请准确无误地写出R语言代码完成以下任务：①生成50×30的随机数据集和30个变量；②要生成三组线性模型的①，且这三组原始模型的系数不同；③（线性回归）分别计算这三组的CV值；④（岭回归）分别对这三组，分别画出在岭回归下横坐标为lambd，纵坐标为CV error或Prediction error的图；⑤基于一倍标准差准则给出参数值上限

以下是R语言代码，完成以上任务：

1. 生成50x30的随机数据集和30个变量：

data <- matrix(rnorm(50*30), nrow = 50)

2. 生成三组线性模型：

# 第一组
set.seed(123)
X1 <- data[,1:29]
Y1 <- X1[,1] + X1[,2] + X1[,3] + rnorm(50)
fit1 <- lm(Y1 ~ X1)

# 第二组
set.seed(456)
X2 <- data[,1:29]
Y2 <- 2*X2[,1] + 3*X2[,2] + X2[,3] + rnorm(50)
fit2 <- lm(Y2 ~ X2)

# 第三组
set.seed(789)
X3 <- data[,1:29]
Y3 <- 4*X3[,1] - 2*X3[,2] + 3*X3[,3] + rnorm(50)
fit3 <- lm(Y3 ~ X3)

3. 计算线性回归的CV值：

library(boot)

# 第一组
cv.fit1 <- cv.glm(data, fit1, K = 10)
cv.error1 <- cv.fit1$delta

# 第二组
cv.fit2 <- cv.glm(data, fit2, K = 10)
cv.error2 <- cv.fit2$delta

# 第三组
cv.fit3 <- cv.glm(data, fit3, K = 10)
cv.error3 <- cv.fit3$delta

4. 在岭回归下，分别对这三组数据画出横坐标为lambda，纵坐标为CV error的图：

library(glmnet)

# 第一组
cv.ridge1 <- cv.glmnet(X1, Y1, alpha = 0, nfolds = 10)
plot(cv.ridge1)

# 第二组
cv.ridge2 <- cv.glmnet(X2, Y2, alpha = 0, nfolds = 10)
plot(cv.ridge2)

# 第三组
cv.ridge3 <- cv.glmnet(X3, Y3, alpha = 0, nfolds = 10)
plot(cv.ridge3)

5. 基于一倍标准差准则给出参数值上限：

# 第一组
upper1 <- coef(fit1) + sd(resid(fit1)) * qt(0.975, df = fit1$df.residual)

# 第二组
upper2 <- coef(fit2) + sd(resid(fit2)) * qt(0.975, df = fit2$df.residual)

# 第三组
upper3 <- coef(fit3) + sd(resid(fit3)) * qt(0.975, df = fit3$df.residual)

其中，`coef()`函数用于提取线性模型的系数，`resid()`函数用于提取线性模型的残差，`sd()`函数用于计算标准差，`qt()`函数用于计算t分布的分位数。可以根据需要调整图像参数。