在R语言中使用glmnet包做lasso回归的要点如下：
基本功能：
glmnet包主要用于实现LASSO回归、岭回归和弹性网络回归，适用于多种广义线性模型。LASSO回归通过算法使部分变量系数变为零，从而实现变量筛选。
正则化：
LASSO回归采用L1正则化，通过惩罚系数来缩减系数，达到简化模型和筛选变量的目的。glmnet包中的lambda参数控制正则化强度，lambda值越大，惩罚越重，保留的变量越少。
模型构建：
glmnet包支持从矩阵或稀疏矩阵输入自变量数据，并能指定不同的模型类型，如二分类、生存分析等。建立模型仅需一行代码，且提供了可视化工具展示不同L1范数下变量系数的变化。
结果探索：
glmnet输出包含不同lambda值对应的自由度、模型解释偏差百分比等信息。可以通过print、coef、predict等方法探索结果，其中coef方法允许指定lambda值查看系数。
预测与评估：
使用predict函数可以预测新数据，并可指定lambda值进行预测。glmnet提供交叉验证功能，通过cv.glmnet函数自动选择最优lambda值。在测试集评估模型性能时，glmnet提供assess.glmnet、roc.glmnet、confusion.glmnet等函数用于计算性能指标。
其他功能：
glmnet还支持非正则化广义线性模型拟合、对大型数据进行高效拟合、修改自变量矩阵格式、添加进度条等功能。对于正则化的COX回归，glmnet采用弹性网络方法对部分似然进行惩罚，以提高模型性能。