如何在MATLAB R2014b中用LASSO模型分析变量相关性并构建回归预测模型

1. 生成示例数据 #

运行以下代码生成题目指定的数据集：

% 生成30个样本的自变量X（取值范围1-5）和因变量Y（取值范围1-10）
X = randi([1,5],30,1);
Y = randi([1,10],30,1);

2. 执行LASSO回归分析 #

MATLAB R2014b统计工具箱自带的lasso函数可直接用于线性回归的正则化分析，运行以下代码获取回归系数及模型关键信息：

% 执行LASSO回归，返回系数数组B和模型信息结构体FitInfo
[B, FitInfo] = lasso(X, Y);

• B：存储不同lambda值对应的回归系数，因仅含1个自变量，B为一维数组
• FitInfo：包含lambda序列、交叉验证误差、最优lambda索引等核心参数

3. 选择最优正则化参数Lambda #

通过交叉验证结果筛选最小均方误差（MSE）对应的lambda值，确定最优回归系数：

% 获取最小MSE对应的lambda索引
idx_min = FitInfo.IndexMinMSE;
% 提取最优lambda值
lambda_opt = FitInfo.Lambda(idx_min);
% 获取最优lambda对应的回归系数
b_opt = B(idx_min);

4. 构建模型并完成预测 #

基于最优系数构建回归模型，对X对应的Y值进行预测：

% 计算预测值
Y_pred = b_opt * X;

% （可选）使用官方预测函数实现预测
% Y_pred = lassoPredict(B, FitInfo, X, lambda_opt);

5. 可视化预测结果（可选） #

通过绘图对比实际值与预测值，直观评估模型效果：

scatter(X, Y, 'b', 'filled');
hold on;
plot(X, Y_pred, 'r--', 'LineWidth', 1.5);
xlabel('自变量X');
ylabel('因变量Y');
legend('实际值', '预测值');
title('LASSO回归预测结果');
hold off;

注意事项 #

• 因仅包含1个自变量，LASSO的正则化效果体现为：要么保留该变量的系数，要么将其收缩至0（当lambda值过大时）
• MATLAB R2014b中lasso函数默认采用10折交叉验证，若需调整验证策略可通过'CV'参数指定

内容的提问来源于stack exchange，提问作者Sorena