【统计方法】LASSO筛变量

启

比较原始做LASSO包是library(glmnet)

若目标是纯 LASSO 分析，alpha 必须设为 ​​1

​​标准化数据​​：LASSO 对特征的尺度敏感，需对数据进行标准化（均值为0，方差为1）。

cv.glmnet​获得的lambda.min 或者 lambda.1se 传递给
glmnet::glmnet(lambda = ？？？)

# 加载数据（以 mtcars 为例）
data(mtcars)
x <- as.matrix(mtcars[, -1])  # 特征矩阵（mpg 是响应变量）
y <- mtcars$mpg

# 交叉验证选择最优 lambda（自动 LASSO）
cv_fit <- cv.glmnet(x, y, alpha = 1)
best_lambda <- cv_fit$lambda.min

# 用最优 lambda 训练最终模型
final_model <- glmnet(x, y, alpha = 1, lambda = best_lambda)

# 查看筛选的变量
selected_vars <- rownames(coef(final_model))[coef(final_model)[, 1] != 0]
print(selected_vars)

手动标准化特征矩阵
x_scaled <- scale(x)

分类变量区别-测试

标签编码适用​​：若分类变量有明确顺序（如"低、中、高"），直接使用标签编码（0,1,2）即可，无需独热编码

library(glmnet)

data(iris)
str(iris$Species)
df=iris
design_matrix <- model.matrix(~ Species, data = df)
x<-as.matrix(data.frame(Sepal.Width=df$Sepal.Width, 
                        Petal.Length=df$Petal.Length,
                        Petal.Width=df$Petal.Width,design_matrix))

fit1 <- cv.glmnet(x = x,y = df$Sepal.Length)
fit1
plot(fit1)

iris$Species_num <- as.numeric(iris$Species)
x2 <- as.matrix(iris[, c(2, 3, 4