lasso回归筛选特征

### 使用Lasso回归进行特征选择

#### Lasso回归简介
Lasso（Least Absolute Shrinkage and Selection Operator）是一种用于估计稀疏系数的线性模型。通过引入L1正则化项，使得一些特征的系数变为零，从而实现自动化的特征选择过程[^1]。

#### 特征选择原理
由于Lasso加入了绝对值形式的惩罚因子，在优化过程中会迫使某些参数收缩至恰好等于0。因此，最终得到的结果只保留了那些对目标变量有显著影响的因素作为输入特性的一部分[^3]。

#### Python实现示例
下面是一个简单的Python代码片段展示如何利用`sklearn.linear_model.LassoCV`来进行基于交叉验证的最佳λ(即alpha)搜索并完成特征挑选：

from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LassoCV
import numpy as np
import pandas as pd

# 创建模拟数据集
X, y = make_regression(n_samples=100, n_features=20, noise=0.1)

# 数据预处理 - 标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集测试集
X_train, X_test, y_train, y_test = train_test_split(
    X_scaled, y, test_size=0.2, random_state=42)

# 定义LassoCV对象，默认执行5折交叉验证寻找最佳alpha
lasso_cv = LassoCV(cv=5).fit(X_train, y_train)

# 输出选定的最佳alpha值以及对应的非零系数索引
print(f'Best alpha: {lasso_cv.alpha_}')
selected_indices = np.where(abs(lasso_cv.coef_) > 1e-6)[0]
print('Selected feature indices:', selected_indices.tolist())

# 将原始特征名称映射回所选位置上
feature_names = ['Feature_' + str(i) for i in range(X.shape[1])]
selected_features = list(np.array(feature_names)[selected_indices])
print('Selected features are:', ', '.join(selected_features))

此段程序首先构建了一个具有多个冗余维度的人工数据集；接着应用标准化变换使各个属性处于相同量级范围内以便于后续计算稳定收敛；最后借助内置函数完成了自动化超参调优与重要性的评估工作，并打印出了被认定为重要的几个字段名。