切片はGLMnetでどのように計算されますか？

R以外のソフトウェアを使用して線形回帰用のGLMNETバージョンのエラスティックネットを実装してきました。糖尿病データの lassoモードでR関数glmnetと結果を比較しました。

変数の選択は、パラメーター（ラムダ）の値を変更する場合は問題ありませんが、係数の値が少し異なります。これと他の理由で、アルゴリズム全体で切片（ターゲット変数の平均と見なします）を変更しないので、現在の近似を計算するときの更新ループの切片に由来すると思います。 Trevor Hastieの記事（座標降下による一般化線形モデルの正則化パス、 7ページ、セクション2.6）で説明されています：

切片は正則化されていません。[...]ラムダのすべての値について[...] [L1制約パラメーター]

しかし、この記事にもかかわらず、R関数glmnetは、正則化パスに沿った切片に異なる値を提供します（ラムダの異なる値）。傍受の値がどのように計算されるかについて誰かが手掛かりを持っていますか？

GLMnetの切片は、新しい係数の更新が収束した後に計算されることがわかりました。切片は、の平均との平均を使用して計算されます。この式は、前の式と似ていますが、更新ループの後のがあります。。$y_i$$x_{ij}$$\beta_j$$\beta_0=\bar{y}-\sum_{j=1}^{p} \hat{\beta_j} \bar{x_j}$

Pythonではこれは次のようなものになります：

        self.intercept_ = ymean - np.dot(Xmean, self.coef_.T)

scikit-learnページで見つけました。

編集：係数は前に標準化する必要があります：

        self.coef_ = self.coef_ / X_std

$\beta_0=\bar{y}-\sum_{j=1}^{p} \frac{\hat{\beta_j} \bar{x_j}}{\sum_{i=1}^{n} x_{ij}^2}$。

これをターゲット変数の平均と見なします

これはあなたが間違っているところかもしれないと思います：線形モデルとは異なり、予測子を再パラメーター化してそれらが常に切片に直交するようにすることはできないため、切片を単に平均として計算することはできません。