实现功能：
python实现Lasso回归分析（特征筛选、建模预测）
输入结构化数据，含有特征以及相应的标签，采用Lasso回归对特征进行分析筛选，并对数据进行建模预测。
实现代码：
import numpy as np
import warnings
warnings.filterwarnings(action='ignore')
import pandas as pd
import matplotlib.pyplot as plt
from sklearn import metrics
from sklearn.metrics import mean_squared_error
from sklearn.linear_model import Lasso,LassoCV
import seaborn as sns
#=================================读取数据============================
class Solution():
def __init__(self):
feature = ['男', '女', '年龄', 'CCP-正常', 'CCP-异常', 'MCV-正常', 'MCV-异常',
'AKA-正常', 'AKA-异常','RF-正常', 'RF-异常', 'ANA-正常', 'ANA-异常',
'ds-DNA-正常', 'ds-DNA-异常','CRP-正常', 'CRP-异常', 'ESR-正常', 'ESR-异常',
'尿蛋白-正常', '尿蛋白-异常', '尿潜血-正常', '尿潜血-异常','尿红细胞-正常',
'尿红细胞-异常', 'WBC-正常', 'WBC-异常', 'Hb-正常', 'Hb-异常', 'PLT-正常',
'PLT-异常', 'ALT-正常', 'ALT-异常', 'AST-正常', 'AST-异常', 'r-GT-正常',
'r-GT-异常', 'TBIL-正常', 'TBIL-异常', 'ALB-正常','ALB-异常', 'GLB-正常',
'GLB-异常', 'A/O-正常', 'A/O-异常', 'Cr-正常', 'Cr-异常', 'BUN-正常',
'BUN-异常', 'UA-正常', 'UA-异常', 'C3-正常', 'C3-异常', 'C4-正常', 'C4-异常',
'IgA-正常', 'IgA-异常', 'IgG-正常','IgG-异常', 'IgE-正常', 'IgE-异常',
'晨僵正常', '晨僵异常', '发热正常', '发热异常', '雷诺正常', '雷诺异常',
'口眼干正常', '口眼干异常', '头晕正常', '头晕异常', '四肢正常', '四肢异常',
'胸部CT正常', '胸部CT异常', '肺结节正常', '肺结节异常', '诊断结果']
self.feature=feature
def Data_sort(self,file):
data = pd.read_excel(file)
data = pd.DataFrame(data)
random_state_value = 90 # 随机种子
sample_number = 82 # 欠采样数目
def norm_2(x):
return (x - stats['min']) / (stats['max']-stats['min'])
gy_list=['年龄']
data_gy=data[gy_list]
stats = data_gy.describe()
stats = stats.transpose()
data[gy_list]=norm_2(data_gy)
data1 = data[self.feature]
data1 = data1.dropna() # 删除含缺失值的行
data1=data1[~data1['诊断结果'].isin([2])]
print(len(data1))
dataset=data1
train_dataset = dataset.sample(frac=0.7, random_state=random_state_value)
test_dataset = dataset.drop(train_dataset.index)
print(len(test_dataset))
train_dataset[train_dataset['诊断结果'].isin([1])]=\
train_dataset[train_dataset['诊断结果'].isin([1])].iloc[:sample_number]
train_NRA=train_dataset[train_dataset['诊断结果'].isin([0])]
train_RA=train_dataset[train_dataset['诊断结果'].isin([1])]
train_dataset=train_NRA.append(train_RA)
train_dataset=train_dataset.sample(frac=1,random_state=0)
print(len(train_dataset))
train_labels =train_dataset.pop('诊断结果')
test_labels =test_dataset.pop('诊断结果')
return train_dataset,train_labels,test_dataset,test_labels
#=======================Lasso变量筛===============
def optimal_lambda_value(self):
Lambdas = np.logspace(-5, 2, 200) #10的-5到10的2次方
# 构造空列表，用于存储模型的偏回归系数
lasso_cofficients = []
for Lambda in Lambdas:
lasso = Lasso(alpha = Lambda, normalize=True, max_iter=10000)
lasso.fit(train_dataset, train_labels)
lasso_cofficients.append(lasso.coef_)
# 绘制Lambda与回归系数的关系
plt.plot(Lambdas, lasso_cofficients)
# 对x轴作对数变换
plt.xscale('log')
# 设置折线图x轴和y轴标签
plt.xlabel('Lambda')
plt.ylabel('Cofficients')
# 显示图形
plt.show()
# LASSO回归模型的交叉验证
lasso_cv = LassoCV(alphas = Lambdas, normalize=True, cv = 10, max_iter=10000)
lasso_cv.fit(train_dataset, train_labels)
# 输出最佳的lambda值
lasso_best_alpha = lasso_cv.alpha_
print(lasso_best_alpha)
return lasso_best_alpha
# 基于最佳的lambda值建模
def model(self,train_dataset, train_labels,lasso_best_alpha):
lasso = Lasso(alpha = lasso_best_alpha, normalize=True, max_iter=10000)
lasso.fit(train_dataset, train_labels)
return lasso
def feature_importance(self,lasso):
# 返回LASSO回归的系数
dic={'特征':train_dataset.columns,'系数':lasso.coef_}
df=pd.DataFrame(dic)
df1=df[df['系数']!=0]
print(df1)
coef = pd.Series(lasso.coef_, index=train_dataset.columns)
imp_coef = pd.concat([coef.sort_values().head(10), coef.sort_values().tail(10)])
sns.set(font_scale=1.2)
# plt.rc('font', family='Times New Roman')
plt.rc('font', family='simsun')
imp_coef.plot(kind="barh")
plt.title("Lasso回归模型")
plt.show()
return df1
def prediction(self,lasso):
# lasso_predict = lasso.predict(test_dataset)
lasso_predict = np.round(lasso.predict(test_dataset))
print(sum(lasso_predict==test_labels))
print(metrics.classification_report(test_labels,lasso_predict))
print(metrics.confusion_matrix(test_labels, lasso_predict))
RMSE = np.sqrt(mean_squared_error(test_labels,lasso_predict))
print(RMSE)
return RMSE
if __name__=="__main__":
Object1=Solution()
train_dataset, train_labels, test_dataset, test_labels=\
Object1.Data_sort('F:\医学大数据课题\RA预测\RA预测\特征.xlsx')
lasso_best_alpha=Object1.optimal_lambda_value()
lasso=Object1.model(train_dataset, train_labels,lasso_best_alpha)
feature_choose=Object1.feature_importance(lasso)
RMSE=Object1.prediction(lasso)
实现效果：
# 绘制Lambda与回归系数的关系
# 基于最佳的lambda值建模进行特征分析
# 基于最佳的lambda值建模进行预测分析
喜欢记得点赞，在看，收藏，加关注（Ｖ订阅号：数据杂坛），将持续更新！
文章来源地址https://www.toymoban.com/news/detail-411724.html文章来源：https://www.toymoban.com/news/detail-411724.html
到了这里，关于python实现Lasso回归分析（特征筛选、建模预测）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
