通过网格法搜索lasso模型中最佳参数和最佳求解方法的的代码

在Python中，我们可以使用`sklearn`库的`Lasso`和`GridSearchCV`功能来寻找Lasso回归的最佳参数。这里是一个基本的示例代码片段，展示了如何使用网格搜索法确定Lasso正则化系数`alpha`的最佳值：

from sklearn.linear_model import Lasso
from sklearn.model_selection import GridSearchCV
import numpy as np

# 假设我们有一个数据集 X (特征) 和 y (目标变量)
X = ... # 输入特征矩阵
y = ... # 目标变量数组

# 定义可能的正则化参数范围
alphas = np.logspace(-4, -0.5, num=100)

# 创建Lasso模型并设置参数网格
lasso = Lasso()
param_grid = {'alpha': alphas}

# 使用GridSearchCV进行参数搜索
grid_search = GridSearchCV(lasso, param_grid, cv=5, scoring='r2')  # 可调整cv的交叉验证次数
grid_search.fit(X, y)

# 获取最佳参数和对应的模型
best_alpha = grid_search.best_params_['alpha']
best_lasso = grid_search.best_estimator_

# 输出结果
print(f"Best alpha: {best_alpha}")
print("Best model: ", best_lasso)