请参考以下代码：library(caret) library(klaR) data(iris) splt=0.80 trainIndex <- createDataPartition(iris$Species,p=split,list=FALSE) data_train <- iris[ trainIndex,] data_test <- iris[-trainIndex,] model <- NaiveBayes(Species~.,data=data_train) x_test <- data_test[,1:4] y_test <- data_test[,5] predictions <- predict(model,x_test) confusionMatrix(predictions$class,y_test)。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50×30的随机数据集和30个变量：

set.seed(123)
data <- matrix(rnorm(50*30),nrow=50,ncol=30)

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：

set.seed(123)
b1 <- rnorm(30)
b2 <- rnorm(30,mean=2)
b3 <- rnorm(30,mean=-2)
y1 <- data %*% b1 + rnorm(50)
y2 <- data %*% b2 + rnorm(50)
y3 <- data %*% b3 + rnorm(50)

③（线性回归）分别计算这三组的CV值：

set.seed(123)
library(caret)
ctrl <- trainControl(method="cv",number=5)
model1 <- train(data,y1,method="lm",trControl=ctrl)
model2 <- train(data,y2,method="lm",trControl=ctrl)
model3 <- train(data,y3,method="lm",trControl=ctrl)
cv1 <- model1$results$RMSE
cv2 <- model2$results$RMSE
cv3 <- model3$results$RMSE

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：

set.seed(123)
library(glmnet)
x <- model.matrix(~.,data)
y <- y1 # y2 或 y3
ridge1 <- cv.glmnet(x,y,alpha=0)
ridge2 <- cv.glmnet(x,y,alpha=0)
ridge3 <- cv.glmnet(x,y,alpha=0)
plot(ridge1)
plot(ridge2)
plot(ridge3)

⑤基于一倍标准差准则给出参数值上限：

set.seed(123)
upper_bound <- mean(y1) + sd(y1)