R语言做LASSO 回归

LASSO（Least Absolute Shrinkage and Selection Operator）回归是一种常用的变量筛选方法，它可以通过惩罚项来缩小变量的系数，从而实现变量筛选和模型压缩的目的。

在R语言中，可以使用glmnet包来进行LASSO回归分析。以下是LASSO回归的R代码示例：

首先，加载数据和glmnet包：

library(glmnet)
data(iris)

然后，将数据集分为训练集和测试集：

set.seed(1234)
train <- sample(nrow(iris), 0.7 * nrow(iris))
train.data <- iris[train, ]
test.data <- iris[-train, ]

接着，使用glmnet函数进行LASSO回归，其中alpha参数用于控制惩罚项的类型，当alpha=1时表示Lasso回归：

fit <- glmnet(as.matrix(train.data[, -5]), train.data[, 5], alpha = 1)

通过cv.glmnet函数可以进行交叉验证，选择最优的惩罚参数lambda：

cv.fit <- cv.glmnet(as.matrix(train.data[, -5]), train.data[, 5], alpha = 1)
best.lambda <- cv.fit$lambda.min

最后，可以使用predict函数进行预测：

predictions <- predict(fit, newx = as.matrix(test.data[, -5]), s = best.lambda)

以上就是LASSO回归在R语言中的实现方法。