影像组学lasso特征筛选的python代码

影像组学中的LASSO（Least Absolute Shrinkage and Selection Operator）是一种常用的特征选择方法，它通过线性回归并加入L1正则化项来估计模型参数，同时使得部分系数变为零，从而达到变量选择的目的。在Python中，我们可以使用`sklearn`库的`LassoCV`函数来进行这一过程。

下面是一个简单的例子，展示如何使用`scikit-learn`对影像数据集进行LASSO特征筛选：

# 导入所需库
from sklearn.linear_model import LassoCV
from sklearn.preprocessing import StandardScaler
import numpy as np

# 假设你已经有了影像数据X (特征矩阵) 和标签y (目标变量)
X = ... # 影像数据，通常是numpy数组
y = ... # 目标变量，对应影像数据的标签

# 数据预处理，标准化数值特征
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 创建LASSO CV对象，设置交叉验证参数
lasso = LassoCV(cv=5)  # 使用5折交叉验证

# 拟合模型
lasso.fit(X_scaled, y)

# 获取特征的重要性得分（绝对值）
coefficients = lasso.coef_

# 特征选择：选取非零的系数对应的特征
selected_features = X.columns[abs(coefficients) > 0]

print("Selected features using LASSO: ", selected_features)