R语言做LASSO 回归

LASSO（Least Absolute Shrinkage and Selection Operator）回归是一种用于特征选择和参数估计的线性回归方法。在R语言中，可以使用glmnet包来实现LASSO回归。

下面是一个使用glmnet包进行LASSO回归的示例：

# 加载glmnet包
library(glmnet)

# 生成示例数据
set.seed(123)
n <- 100
p <- 10
x <- matrix(rnorm(n * p), n, p)
y <- x[,1] + 2 * x[,2] + 3 * x[,3] + rnorm(n)

# 将数据集分为训练集和测试集
train <- sample(1:n, n/2)
test <- setdiff(1:n, train)

# 使用glmnet进行LASSO回归
fit <- glmnet(x[train,], y[train], alpha=1)

# 绘制LASSO路径图
plot(fit, xvar="lambda", label=TRUE)

# 选择最优的lambda值
cv.fit <- cv.glmnet(x[train,], y[train], alpha=1)
best.lambda <- cv.fit$lambda.min

# 使用最优的lambda值进行预测
pred <- predict(fit, newx=x[test,], s=best.lambda)
mse <- mean((pred - y[test])^2)
cat("Test MSE:", mse, "\n")

在上面的代码中，我们首先使用`glmnet`函数来拟合LASSO回归模型，并使用`plot`函数绘制LASSO路径图。然后，我们使用`cv.glmnet`函数进行交叉验证，并选择最优的lambda值。最后，我们使用最优的lambda值对测试集进行预测，并计算测试集的均方误差（MSE）。

需要注意的是，LASSO回归通常需要对特征进行标准化处理，以避免特征之间的差异影响模型的结果。可以使用`scale`函数对特征进行标准化，例如：

x <- scale(x)

以上是一个简单的LASSO回归的例子，实际应用中可能需要更复杂的模型和更大规模的数据集。