构建回归lasso模型以及RMSE计算和预测结果与实际值的散点图matlab代码

以下是构建回归lasso模型、计算RMSE以及绘制预测结果与实际值散点图的 MATLAB 代码示例：

% 加载数据
data = load('data.mat');
X = data.X;
y = data.y;

% 将数据集分为训练集和测试集
train_ratio = 0.8;
train_size = floor(train_ratio * size(X, 1));
X_train = X(1:train_size, :);
y_train = y(1:train_size);
X_test = X(train_size+1:end, :);
y_test = y(train_size+1:end);

% 构建回归lasso模型
[B, FitInfo] = lasso(X_train, y_train, 'CV', 5);

% 选择最优的lambda
idxLambdaMinMSE = FitInfo.IndexMinMSE;
lambda = FitInfo.Lambda(idxLambdaMinMSE);

% 预测测试集结果
y_pred = X_test * B(:, idxLambdaMinMSE) + FitInfo.Intercept(idxLambdaMinMSE);

% 计算RMSE
rmse = sqrt(mean((y_pred - y_test).^2));

% 绘制预测结果与实际值散点图
scatter(y_test, y_pred);
hold on;
plot(y_test, y_test, 'r');
xlabel('实际值');
ylabel('预测值');
title(sprintf('Lasso回归预测结果 (RMSE=%.2f)', rmse));

其中，`data.mat` 是包含训练数据和目标变量的 `.mat` 文件，`X` 是训练数据矩阵，`y` 是目标变量向量。`train_ratio` 可以调整训练集和测试集的划分比例。在代码中，使用 5 折交叉验证来选择最优的超参数 `lambda`。最后，使用 `scatter` 函数绘制预测结果与实际值的散点图，并在图中标出 RMSE。