cv.glmnet与glmnet结果比较；测量解释能力

Question

当通过glmnet包估计套索模型时，我想知道是：(a)直接从cv.glmnet获取的cv.fit对象中提取系数/预测/偏差，还是(b)使用cv.glmnet中的最小λ重新运行glmnet，并从glmnet进程中提取这些对象。(请耐心--我有一种感觉，这是有文档记录的，但我在网上看到了这两种方法的示例/教程，并且没有可靠的逻辑来说明这两种方法。)

也就是说，对于系数，我可以运行(a)：

cvfit = cv.glmnet(x=xtrain, y=ytrain, alpha=1, type.measure = "mse", nfolds = 20)
coef.cv <- coef(cvfit, s = "lambda.min")

或者我可以在之后运行(b)：

fit = glmnet(x=xtrain, y=ytrain, alpha=1, lambda=cvfit$lambda.min)
coef <- coef(fit, s = "lambda.min")

虽然这两个过程选择相同的模型变量，但它们不会产生相同的系数。同样，我可以通过以下两个过程之一进行预测：

prdct <- predict(fit,newx=xtest)
prdct.cv <- predict(cvfit, newx=xtest, s = "lambda.min")

他们预测相似但不相同的向量。

最后，我认为我可以通过这两种方法中的任何一种来拉出解释的%偏差：

percdev <- fit$dev.ratio
percdev.cv <- cvfit$glmnet.fit$dev.ratio[cvfit$cvm==mse.min.cereal]

但实际上，用这种方式拉取percdev.cv是不可能的，因为如果cv.glmnet使用的lambda序列的元素少于100个，那么cvfit$glmnet.fit$dev.ratio和cvfit$cvm==mse.min.cereal的长度就不匹配。所以我不太确定如何从cvfit$glmnet.fit中提取最小的lambda dev.ratio。

因此，我想知道哪个过程是最好的，为什么，以及人们通常如何提取适当的dev.ratio统计数据。谢谢!