四个自变量，一个因变量LASSO 回归代码

下面是使用Python的scikit-learn库实现的四个自变量和一个因变量LASSO回归的代码示例：

# 导入必要的库
from sklearn.linear_model import Lasso
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
import numpy as np

# 定义四个自变量和一个因变量的数据
X = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12], [13, 14, 15, 16]])
y = np.array([10, 20, 30, 40])

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 使用LASSO回归算法进行训练和预测
lasso = Lasso(alpha=0.1)
lasso.fit(X_train, y_train)
y_pred = lasso.predict(X_test)

# 输出模型的性能
print("Mean squared error: %.2f" % mean_squared_error(y_test, y_pred))
print("LASSO coefficients: ", lasso.coef_)

其中，X是四个自变量的数据，y是一个因变量的数据。在代码中，我们首先将数据集分为训练集和测试集，然后使用LASSO回归算法进行训练和预测。最后，我们输出模型的性能和选择的重要自变量。可以通过调整alpha参数来控制正则化的强度，从而选择更重要的自变量。