lasso回归交叉验证代码

下面是使用Lasso回归进行交叉验证的示例代码：

from sklearn.linear_model import Lasso, LassoCV
from sklearn.datasets import load_boston
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

# 加载数据
boston = load_boston()
X = boston.data
y = boston.target

# 数据标准化
scaler = StandardScaler()
X = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 使用交叉验证选择Lasso回归模型的正则化系数alpha
model = LassoCV(cv=5)
model.fit(X_train, y_train)

# 输出交叉验证选择的最佳正则化系数
print("Best alpha using LassoCV: %f" % model.alpha_)

# 使用选择的正则化系数alpha来训练模型
lasso = Lasso(alpha=model.alpha_)
lasso.fit(X_train, y_train)

# 在测试集上预测并计算R^2得分
score = lasso.score(X_test, y_test)
print("R^2 score on test set: %f" % score)

在上面的示例中，我们首先加载了波士顿房价数据集，并进行了数据标准化和训练集/测试集划分。然后，我们使用LassoCV类选择了Lasso回归模型的正则化系数alpha。最后，我们使用选择的alpha值来训练模型，并在测试集上计算了R^2得分。