python中运用lasso回归实例

以下是使用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

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

# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

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

# 拟合模型
lasso.fit(X_train, y_train)

# 预测测试集结果
y_pred = lasso.predict(X_test)

# 输出模型得分
print('训练集得分:', lasso.score(X_train, y_train))
print('测试集得分:', lasso.score(X_test, y_test))

在这个示例中，我们使用了波士顿房价数据集作为示例数据集，并使用了Lasso回归算法进行建模。首先，我们对数据集进行标准化处理，然后将数据集拆分为训练集和测试集。接下来，我们创建了一个Lasso回归模型对象，并使用训练集对其进行拟合。最后，我们使用测试集对模型进行评估，并输出了模型得分。