病灶四分类模型，利用LASSO算法进行特征筛选，用逻辑回归建立分类模型。得到训练集准确率以及测试集准确率，每一类别的概率值，混淆矩阵，ROC曲线，使用MATLAB实现

好的，以下是利用 MATLAB 实现病灶四分类模型，利用 LASSO 算法进行特征筛选，用逻辑回归建立分类模型，得到分类模型的训练集准确率、测试集准确率、每一类别的概率值、混淆矩阵、ROC 曲线等步骤：

1. 加载数据

假设数据集为 `data`，其中第一列为标签，后面的列为特征，可以使用 `csvread` 函数加载数据：

data = csvread('data.csv');
Y = data(:,1); % 标签
X = data(:,2:end); % 特征

2. 划分训练集和测试集

可以使用 `cvpartition` 函数随机划分训练集和测试集：

cv = cvpartition(size(X,1),'HoldOut',0.2);
idxTrain = training(cv);
idxTest = test(cv);
XTrain = X(idxTrain,:);
YTrain = Y(idxTrain,:);
XTest = X(idxTest,:);
YTest = Y(idxTest,:);

这里将数据集划分为 80% 的训练集和 20% 的测试集。

3. 特征筛选

使用 `lassoglm` 函数进行 LASSO 算法特征筛选：

[B,FitInfo] = lassoglm(XTrain,YTrain,'binomial','CV',10);
lassoPlot(B,FitInfo,'PlotType','CV');

这里使用了 10 折交叉验证，绘制了交叉验证误差随正则化参数 lambda 的变化曲线，选择最优的 lambda 对应的特征系数。

4. 训练逻辑回归模型

使用 `mnrfit` 函数训练逻辑回归模型：

XTrain = [ones(size(XTrain,1),1) XTrain]; % 添加常数项
[B,dev,stats] = mnrfit(XTrain(:,B~=0),YTrain);

这里将特征系数不为 0 的特征作为模型的输入，将标签加 1，使其取值范围为 1 到 4，便于后续处理。`stats` 包含了模型的一些统计信息，例如模型的拟合优度等。

5. 测试模型

使用 `mnrval` 函数测试模型，并计算分类指标：

XTest = [ones(size(XTest,1),1) XTest]; % 添加常数项
pihat = mnrval(B,XTest(:,B~=0));
[~,YTestHat] = max(pihat,[],2);
C = confusionmat(YTest,YTestHat); % 混淆矩阵
accuracy = sum(diag(C))/sum(C(:)); % 准确率
precision = diag(C)./sum(C,2); % 精确率
recall = diag(C)./sum(C,1)'; % 召回率
F1 = 2*precision.*recall./(precision+recall); % F1 值
[X,Y,~,AUC] = perfcurve(YTest,pihat(:,2),2); % ROC 曲线和 AUC

这里使用了 `mnrval` 函数预测测试集标签，计算了准确率、精确率、召回率、F1 值和 ROC 曲线及 AUC。

6. 输出结果

将结果输出：

disp(['训练集准确率为：',num2str(accuracyTrain)]);
disp(['测试集准确率为：',num2str(accuracy)]);
disp('各类别概率值为：');
disp(pihat);
disp('混淆矩阵为：');
disp(C);
disp(['F1 值为：',num2str(F1)]);
disp(['AUC 值为：',num2str(AUC)]);
plot(X,Y);
xlabel('False positive rate');
ylabel('True positive rate');
title(['ROC curve (AUC = ',num2str(AUC),')']);

这里输出了训练集准确率、测试集准确率、各类别概率值、混淆矩阵、F1 值和 ROC 曲线及 AUC。

希望这些步骤能对您有所帮助！