matlab 实现lasso回归

MATLAB 中可以使用 `lasso` 函数实现 LASSO 回归。LASSO 回归是一种特征选择方法，它可以将不重要的特征系数收缩到零，从而实现模型的稀疏性。下面是一个简单的例子：

假设我们有一个数据集 `X`，其中包含 `n` 个样本和 `p` 个特征，以及对应的响应变量 `y`。我们可以使用 `lasso` 函数进行回归，如下所示：

[B, FitInfo] = lasso(X, y, 'CV', 10);

这里 `B` 是一个矩阵，包含了每个特征的系数。`FitInfo` 是一个结构体，包含了交叉验证误差等信息。`'CV', 10` 表示进行 10 折交叉验证。

如果我们想要选择一个最优的正则化参数 `lambda`，可以使用 `lasso` 函数的 `Lambda` 参数，如下所示：

[B, FitInfo] = lasso(X, y, 'CV', 10, 'Lambda', [0.1:0.1:1]);

这里 `Lambda` 是一个行向量，包含了一系列正则化参数的值。`[0.1:0.1:1]` 表示从 `0.1` 到 `1` 每隔 `0.1` 取一个值。

最后，我们可以使用 `lassoPlot` 函数可视化结果，如下所示：

lassoPlot(B, FitInfo, 'PlotType', 'Lambda', 'XScale', 'log');

这里 `lassoPlot` 可以绘制正则化路径图，其中横轴是正则化参数 `lambda`，纵轴是特征系数的绝对值。`'PlotType', 'Lambda'` 表示绘制正则化路径图。`'XScale', 'log'` 表示横轴使用对数尺度。