Los resultados de la regresión de crestas son diferentes al usar lm.ridge y glmnet

Apliqué algunos datos para encontrar la mejor solución de variables del modelo de regresión usando la regresión de cresta en R. He usado lm.ridgey glmnet(cuándo alpha=0), pero los resultados son muy diferentes, especialmente cuando lambda=0. Supongamos que ambos estimadores de parámetros tienen los mismos valores. ¿Entonces, cuál es el problema aquí? atentamente

glmnet estandariza la variable y y usa los errores cuadrados medios en lugar de la suma de los errores cuadrados. Por lo tanto, debe realizar los ajustes adecuados para que coincidan con sus resultados.

library(ElemStatLearn)
library(glmnet)
library(MASS)

dof2lambda <- function(d, dof) {
    obj <- function(lam, dof) (dof - sum(d ^ 2 / (d ^ 2 + lam))) ^ 2
    sapply(dof, function(x) optimize(obj, c(0, 1e4), x)$minimum)
}

lambda2dof <- function(d, lam) {
    obj <- function(dof, lam) (dof - sum(d ^ 2 / (d ^ 2 + lam))) ^ 2
    sapply(lam, function(x) optimize(obj, c(0, length(d)), x)$minimum)
}

dat   <- prostate
train <- subset(dat,  train, select = -train)
test  <- subset(dat, !train, select = -train)

train.x <- as.matrix(scale(subset(train, select = -lpsa)))
train.y <- as.matrix(scale(train$lpsa))

d   <- svd(train.x)$d
dof <- seq(1, 8, 0.1)
lam <- dof2lambda(d, dof)

ridge1 <- lm.ridge(train.y ~ train.x, lambda = lam)
ridge2 <- glmnet(train.x, train.y, alpha = 0, lambda = lam / nrow(train.x))

matplot(dof, t(ridge1$coef), type = 'l')
matplot(lambda2dof(d, ridge2$lambda * nrow(train.x)), t(ridge2$beta), type = 'l')