lasso回归构建预后模型分为训练集验证集代码

以下是使用Python的sklearn库进行Lasso回归模型的训练、验证和测试的示例代码：

# 导入需要的库
import numpy as np
from sklearn.linear_model import Lasso
from sklearn.model_selection import train_test_split

# 加载数据
X = np.load('features.npy')
y = np.load('labels.npy')

# 将数据集分为训练集、验证集和测试集
X_train_val, X_test, y_train_val, y_test = train_test_split(X, y, test_size=0.2, random_state=0)
X_train, X_val, y_train, y_val = train_test_split(X_train_val, y_train_val, test_size=0.25, random_state=0)

# 定义Lasso回归模型并训练
lasso = Lasso(alpha=0.1)
lasso.fit(X_train, y_train)

# 在验证集上评估模型性能
score_val = lasso.score(X_val, y_val)
print('Validation R^2 score:', score_val)

# 在测试集上评估模型性能
score_test = lasso.score(X_test, y_test)
print('Test R^2 score:', score_test)

其中，`features.npy`为特征数据的文件，`labels.npy`为标签数据的文件。首先加载数据，然后使用`train_test_split`函数将数据集分为训练集、验证集和测试集。接着，定义Lasso回归模型并使用训练集进行训练。最后，在验证集和测试集上分别评估模型性能并输出R^2得分。在实际应用中，还可以使用交叉验证等方法进行更加准确的模型选择和评估。