Cv.glmnet переопределяет данные, используя полную лямбда-последовательность?

cv.glmnet используется в большинстве исследовательских работ и компаний. При создании аналогичной функции, такой как cv.glmnet для glmnet.cr (похожий пакет, который реализует лассо для порядковой регрессии отношения продолжения), я столкнулся с этой проблемой в cv.glmnet.

`cv.glmnet` first fits the model:



glmnet.object = glmnet(x, y, weights = weights, offset = offset, 
                     lambda = lambda, ...)

После того, как объект glmnet создан с полными данными, следующий шаг выглядит следующим образом: извлекается lambda из полной подогнанной модели.

lambda = glmnet.object$lambda

Теперь они следят за тем, чтобы количество сгибов было больше 3.

if (nfolds < 3) 
stop("nfolds must be bigger than 3; nfolds=10 recommended")

Список создается для хранения результатов перекрестной проверки.

outlist = as.list(seq(nfolds))

for loop выполняется для соответствия различным частям данных в соответствии с теорией перекрестной проверки.

  for (i in seq(nfolds)) {
    which = foldid == i
    if (is.matrix(y)) 
      y_sub = y[!which, ]
    else y_sub = y[!which]
    if (is.offset) 
      offset_sub = as.matrix(offset)[!which, ]
    else offset_sub = NULL
#using the lambdas for the complete data 
    outlist[[i]] = glmnet(x[!which, , drop = FALSE], 
                          y_sub, lambda = lambda, offset = offset_sub, 
                          weights = weights[!which], ...)
  }
}

Итак, что происходит. После подгонки данных к полным данным выполняется перекрестная проверка с использованием лямбда-выражений из полных данных. Может ли кто-нибудь сказать мне, как это может быть не подгонка данных? При перекрестной проверке мы хотим, чтобы у модели не было информации об оставшейся части данных. Но cv.glmnet жульничает!