通过网格法搜索lasso模型中最佳参数的代码

在Python中，我们可以使用`sklearn.model_selection.GridSearchCV`结合`Lasso`回归模型来通过网格搜索（Grid Search）找到最优的正则化参数（alpha）。这里是一个基本的例子：

from sklearn.linear_model import Lasso
from sklearn.model_selection import GridSearchCV
from sklearn.datasets import load_boston
from sklearn.preprocessing import StandardScaler

# 加载波士顿房价数据集
boston = load_boston()
X, y = boston.data, boston.target

# 数据预处理（通常需要标准化）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 定义参数网格
param_grid = {'alpha': np.logspace(-4, -0.5, 50)}  # 不同的alpha值范围

# 创建Lasso模型并进行网格搜索
lasso = Lasso()
grid_search = GridSearchCV(lasso, param_grid, cv=5)  # 交叉验证次数可以自定
grid_search.fit(X_scaled, y)

# 获取最佳参数和对应的模型
best_alpha = grid_search.best_params_['alpha']
best_lasso = grid_search.best_estimator_

print("Best alpha found: ", best_alpha)
print("Best model score: ", grid_search.best_score_)

在这个例子中，`param_grid`定义了我们要搜索的`alpha`范围。`GridSearchCV`会尝试所有指定的参数组合，并返回性能最好的那一个。