python实现lasso回归 判别标准用mean-Squared-error

Lasso回归是一种线性回归方法，它在普通线性回归的基础上加入了L1正则项。在使用Lasso回归进行模型训练时，通常使用均方误差（MSE）作为判别标准。

下面是使用Python实现Lasso回归并使用MSE作为判别标准的示例代码：

import numpy as np
from sklearn.linear_model import Lasso
from sklearn.metrics import mean_squared_error

# 构造数据
X = np.array([[1, 2], [3, 4], [5, 6]])
y = np.array([3, 5, 7])

# 创建Lasso回归模型
lasso = Lasso(alpha=0.1)

# 训练模型
lasso.fit(X, y)

# 预测
y_pred = lasso.predict(X)

# 计算MSE
mse = mean_squared_error(y, y_pred)

print('Lasso回归模型的MSE为:', mse)

在这个例子中，我们使用sklearn库中的Lasso类来创建Lasso回归模型，alpha参数指定L1正则项的系数。训练模型后，我们使用predict方法对训练数据进行预测，并使用mean_squared_error函数计算MSE。