换一个例子来演示利用lasso回归筛选多个自变量的代码

好的，以下是一个简单的例子，使用Lasso回归来筛选多个自变量：

import numpy as np
from sklearn.linear_model import Lasso
from sklearn.datasets import load_boston
from sklearn.preprocessing import StandardScaler

# 导入数据
boston = load_boston()
X = boston.data
y = boston.target

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

# 初始化Lasso模型
lasso = Lasso(alpha=0.1)

# 拟合数据
lasso.fit(X_std, y)

# 查看被选中的自变量
print("被选中的自变量：")
for i in range(len(boston.feature_names)):
    if abs(lasso.coef_[i]) > 0:
        print(boston.feature_names[i])

这个例子使用了波士顿房价数据集，通过Lasso回归筛选出对房价有重要影响的自变量。代码中的主要步骤包括：

1. 导入数据集并划分自变量和因变量。
2. 对自变量进行标准化处理，以便模型能够更好地收敛。
3. 初始化Lasso回归模型。
4. 使用拟合数据拟合模型。
5. 查看被选中的自变量。

在这个例子中，我们使用了Lasso回归模型来筛选自变量，但实际上，你也可以使用其他的特征选择方法，比如Ridge回归、Elastic Net等。