使用R语言绘制不同lambda值对应的均方误差（MSE）可视化结果图

在机器学习和统计建模中，正则化是一种常用的技术，用于控制模型的复杂度并防止过拟合。其中，岭回归（Ridge Regression）是一种常见的正则化线性回归方法，它通过引入正则化项来平衡模型的拟合优度和复杂度。

在岭回归中，正则化参数lambda（λ）是一个关键的超参数。不同的lambda值会导致不同的模型复杂度和预测性能。为了帮助我们选择合适的lambda值，我们可以使用R语言中的plot函数绘制不同lambda值对应的均方误差（MSE）的可视化结果图。

首先，我们需要准备一些数据来进行岭回归和MSE的计算。假设我们有一个包含自变量X和因变量Y的数据集。下面是一个简单的数据集示例：

# 导入所需的库
library(glmnet)

# 创建示例数据集
set.seed(123)
n <- 100
p <- 10
X <- matrix(rnorm(n * p), ncol = p)
Y <- X[, 1] + 2 * X[, 2] + 3 * X[, 3] + rnorm(n)

# 划分训练集和测试集
train_idx <- sample(1:n, n * 0.7)
X_train <- X[train_idx, ]
Y_train <- Y[train_idx]
X_test <- X[-train_idx, ]
Y_test <- Y[-train_idx]

接下来，我们可以使用glmnet包中的cv.glmnet函数来执行岭回归和交叉验证，并获取不同lambda值对应的