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。

线性模型中的Lasso、岭回归和弹性网络都是用于高维线性回归的问题，它们通过加入不同的惩罚项来解决过拟合问题并估计模型参数。Lasso采用L1正则化，岭回归使用L2正则化，而弹性网络结合了两者。

首先，让我们简述一下这三种方法：

1. **Lasso (Least Absolute Shrinkage and Selection Operator)**: Lasso鼓励模型系数向0收缩，如果某个特征对于预测不是那么重要，它的系数会被推至接近0，使得某些系数变为0，实现特征选择。

2. **Ridge Regression (L2 Regularization)**: Ridge回归使用的是L2正则化，它通过平方项惩罚大的系数，使得所有的系数都会缩小，但不会完全消除。

3. **Elastic Net**: Elastic Net同时包含L1和L2正则化，因此既能够像Lasso一样做特征选择，也能像Ridge那样防止系数过大。

下面是一个简单的Python示例，使用sklearn库实现这个过程：

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

# 创建数据
np.random.seed(0)  # 设置随机种子保证结果可复现
p = 100
beta = np.zeros(p)
beta[:6] = 1  # 设定前6个系数为1
epsilon = np.random.normal(size=100)  # 标准正态分布误差
X, y = make_regression(n_samples=100, n_features=p, coef=beta, noise=epsilon)

# 定义模型
lasso = Lasso(alpha=0.1)  # Lasso模型
ridge = Ridge(alpha=0.1)  # Ridge模型
elastic_net = ElasticNet(alpha=0.1, l1_ratio=0.5)  # Elastic Net模型

# 训练模型
lasso.fit(X, y)
ridge.fit(X, y)
elastic_net.fit(X, y)

# 打印模型的系数
print("Lasso coefficients:", lasso.coef_)
print("Ridge coefficients:", ridge.coef_)
print("Elastic Net coefficients:", elastic_net.coef_)

在这个例子中，`alpha`参数控制正则化的强度，`l1_ratio`用于调整L1和L2的比例，值越小，Lasso的影响越大。