原文链接：http://tecdat.cn/?p=25741
此示例显示如何 lasso 辨认和舍弃不必要的预测变量。
应用各种办法从指数分布生成 200 个五维数据 X 样本。
rng(3,'twister') % 实现可重复性
for i = 1:5
X(:,i) = exprnd
end生成因变量数据 Y = X * r + eps，其中 r 只有两个非零重量，噪声 eps 正态分布，标准差为 0.1。
用 拟合穿插验证的模型序列 lasso，并绘制后果。
Plot(ffo);
Lambda 该图显示了正则化参数的各种值的回归中的非零系数。较大的值 Lambda 呈现在图的左侧，意味着更多的正则化，导致更少的非零回归系数。
虚线代表最小均方误差的 Lambda 值（在左边），以及最小均方误差加一个标准差的 Lambda 值。后者是 Lambda 的一个举荐设置。这些线条只在你进行穿插验证时呈现。通过设置 ’CV’ 名 - 值对参数来进行穿插验证。这个例子应用了 10 折的穿插验证。
图的上半局部显示了自由度（df），即回归中非零系数的数量，是 Lambda 的一个函数。在右边，Lambda 的大值导致除一个系数外的所有系数都是 0。在左边，所有五个系数都是非零的，只管该图只分明显示了两个。其余三个系数十分小，简直等于 0。
对于较小的 Lambda 值（在图中向右），系数值靠近最小二乘预计。
求 Lambda 最小穿插验证均方误差加上一个标准差的值。查看 MSE 和拟合的系数 Lambda。
MSE(lm)
b(:,lam)
lasso 很好地找到了系数向量 r。
为了比拟，求 r的最小二乘预计。
rhat
预计 b(:,lam) 的均方误差略大于 rhat 的均方误差。
res; % 计算残差
MSEmin
但 b(:,lam) 只有两个非零重量，因而能够对新数据提供更好的预测预计。
最受欢迎的见解
1.R 语言多元 Logistic 逻辑回归 利用案例
2. 面板平滑转移回归 (PSTR) 剖析案例实现剖析案例实现 ”)
3.matlab 中的偏最小二乘回归（PLSR）和主成分回归（PCR）
4.R 语言泊松 Poisson 回归模型剖析案例
5.R 语言回归中的 Hosmer-Lemeshow 拟合优度测验
6.r 语言中对 LASSO 回归，Ridge 岭回归和 Elastic Net 模型实现
7. 在 R 语言中实现 Logistic 逻辑回归
8.python 用线性回归预测股票价格
9.R 语言如何在生存剖析与 Cox 回归中计算 IDI，NRI 指标