lasso回归python代码

以下是使用Scikit-learn库实现Lasso回归的示例代码：

from sklearn.linear_model import Lasso
from sklearn.datasets import load_boston
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

# 加载数据集
boston = load_boston()
X, y = boston.data, boston.target

# 标准化数据
scaler = StandardScaler()
X = scaler.fit_transform(X)

# 数据集划分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

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

# 模型训练
lasso.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = lasso.predict(X_test)

# 输出模型评估结果
print('Lasso回归的R^2得分：', lasso.score(X_test, y_test))

在上述代码中，我们首先加载了波士顿房价数据集并进行了标准化处理。然后，我们将数据集分为训练集和测试集，并使用Scikit-learn库中的Lasso类创建了一个Lasso回归模型。接着，我们使用训练集对模型进行训练，并在测试集上进行预测。最后，我们输出了模型在测试集上的R^2得分，用于评估模型的性能。