如何利用matlab自带的mnrfit和mnrval进行多变量的logistic Regression。病灶四分类模型，利用LASSO算法进行特征筛选，用逻辑回归建立分类模型。得到训练集准确率以及测试集准确率，每一类别的概率值，混淆矩阵，ROC曲线，使用MATLAB实现

好的，以下是利用 MATLAB 自带的 mnrfit 和 mnrval 进行多变量的 logistic regression 的步骤：

1. 首先，将数据集分为训练集和测试集，可以使用 MATLAB 自带的 crossvalind 函数进行随机划分，例如：

% 假设数据集为 X 和 Y
cv = cvpartition(size(X,1),'HoldOut',0.2);
idxTrain = training(cv);
idxTest = test(cv);
XTrain = X(idxTrain,:);
YTrain = Y(idxTrain,:);
XTest = X(idxTest,:);
YTest = Y(idxTest,:);

这里将数据集划分为 80% 的训练集和 20% 的测试集。

2. 然后，使用 LASSO 算法进行特征筛选，可以使用 MATLAB 自带的 lassoglm 函数，例如：

% 假设特征和标签向量分别为 X 和 Y
[B,FitInfo] = lassoglm(X,Y,'binomial','CV',10);
lassoPlot(B,FitInfo,'PlotType','CV');

这里使用了 10 折交叉验证，绘制了交叉验证误差随正则化参数 lambda 的变化曲线，选择最优的 lambda 对应的特征系数。

3. 接下来，利用 mnrfit 函数建立 logistic regression 模型，例如：

% 假设选择的特征系数为 beta
XTrain = [ones(size(XTrain,1),1) XTrain]; % 添加常数项
[B,dev,stats] = mnrfit(XTrain*beta,YTrain+1);

这里将标签向量加 1，使其取值范围为 1 到 4，便于后续处理。stats 包含了模型的一些统计信息，例如模型的拟合优度等。

4. 最后，利用 mnrval 函数进行预测和评估，例如：

XTest = [ones(size(XTest,1),1) XTest]; % 添加常数项
pihat = mnrval(B,XTest);
YTestHat = argmax(pihat,[],2)-1; % 取最大概率的类别

这里使用 argmax 函数取最大概率对应的类别，然后将标签向量减 1，得到实际的类别。可以根据 YTest 和 YTestHat 计算混淆矩阵和各种分类指标，例如：

C = confusionmat(YTest,YTestHat); % 混淆矩阵
accuracy = sum(diag(C))/sum(C(:)); % 准确率
precision = diag(C)./sum(C,2); % 精确率
recall = diag(C)./sum(C,1)'; % 召回率
F1 = 2*precision.*recall./(precision+recall); % F1 值
[X,Y,~,AUC] = perfcurve(YTest,pihat(:,2),2); % ROC 曲线和 AUC

这里以二分类为例，计算了准确率、精确率、召回率、F1 值和 ROC 曲线及 AUC。

希望这些步骤能对您有所帮助！