将回归问题分为训练集测试集验证集lasso做回归并且给出三个集的得分以及进行回归可视化

回归问题分为训练集、测试集、验证集的目的是为了评估模型的泛化能力。其中训练集用于训练模型，验证集用于调参，测试集用于评估模型的性能。下面是使用Lasso进行回归并给出三个集的得分及可视化的代码示例：

import numpy as np
from sklearn.linear_model import Lasso
from sklearn.metrics import r2_score
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split

# 生成数据
np.random.seed(0)
n_samples, n_features = 50, 200
X = np.random.randn(n_samples, n_features)
coef = 3 * np.random.randn(n_features)
inds = np.arange(n_features)
np.random.shuffle(inds)
coef[inds[10:]] = 0  # 稀疏化系数
y = np.dot(X, coef)

# 分割数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)
X_train, X_val, y_train, y_val = train_test_split(X_train, y_train, test_size=0.2, random_state=0)

# Lasso模型
alpha = 0.1
lasso = Lasso(alpha=alpha)

# 训练模型
lasso.fit(X_train, y_train)

# 计算得分
score_train = lasso.score(X_train, y_train)
score_val = lasso.score(X_val, y_val)
score_test = lasso.score(X_test, y_test)

# 可视化
plt.figure(figsize=(12, 6))
plt.plot(lasso.coef_, label='Lasso coefficients')
plt.plot(coef, '--', label='actual coefficients')
plt.legend(loc=0)
plt.title('Lasso coefficients')
plt.xlabel('Features')
plt.ylabel('Coefficients')
plt.show()

print('训练集得分:', score_train)
print('验证集得分:', score_val)
print('测试集得分:', score_test)

上述代码中，我们使用了numpy生成了一个50行、200列的随机矩阵作为数据集，并使用Lasso对其进行回归。然后使用train_test_split函数将数据集分割成训练集、测试集、验证集。最后，我们计算了三个集的得分，并使用可视化方法展示了Lasso回归系数的变化。