Python实现Lasso回归与弹性网络对比详解

栗子

发布时间：2026-10-13| 6人浏览过

原创

本文详细介绍如何使用Python和scikit-learn库实现Lasso回归，并通过代码示例展示其与弹性网络（Elastic Net）在稀疏数据场景下的性能对比。文章包含数据生成、模型训练、参数设置及可视化结果分析，帮助读者理解正则化方法对特征选择的影响。

Lasso回归原理

Lasso回归是一种常用的线性回归正则化方法，其核心原理是通过L1正则化项促使部分回归系数收缩至零，从而实现特征选择。这种方法在处理高维数据或存在多重共线性的数据集时尤为有效，能够筛选出对预测目标变量最重要的特征。

Python实现Lasso与弹性网络对比

在Python中实现Lasso回归并与弹性网络（Elastic Net）进行比较，可以直观地展示两种正则化方法的差异。以下代码演示了如何生成稀疏数据、划分训练集与测试集，并分别训练Lasso和弹性网络模型。通过对比两者的系数路径和R²得分，可以评估它们在处理稀疏系数时的表现。


import numpy as np
import matplotlib.pyplot as plt
from sklearn.metrics import r2_score
#def main():
# 产生一些稀疏数据
np.random.seed(42)
n_samples, n_features = 50, 200
X = np.random.randn(n_samples, n_features) # randn(...)产生的是正态分布的数据
coef = 3 * np.random.randn(n_features)   # 每个特征对应一个系数
inds = np.arange(n_features)
np.random.shuffle(inds)
coef[inds[10:]] = 0 # 稀疏化系数--随机的把系数向量1x200的其中10个值变为0
y = np.dot(X, coef) # 线性运算 -- y = X.*w
# 添加噪声：零均值，标准差为 0.01 的高斯噪声
y += 0.01 * np.random.normal(size=n_samples)
# 把数据划分成训练集和测试集
n_samples = X.shape[0]
X_train, y_train = X[:n_samples // 2], y[:n_samples // 2]
X_test, y_test = X[n_samples // 2:], y[n_samples // 2:]
# 训练 Lasso 模型
from sklearn.linear_model import Lasso
alpha = 0.1
lasso = Lasso(alpha=alpha)
y_pred_lasso = lasso.fit(X_train, y_train).predict(X_test)
r2_score_lasso = r2_score(y_test, y_pred_lasso)
print(lasso)
print("r^2 on test data : %f" % r2_score_lasso)
# 训练 ElasticNet 模型
from sklearn.linear_model import ElasticNet
enet = ElasticNet(alpha=alpha, l1_ratio=0.7)
y_pred_enet = enet.fit(X_train, y_train).predict(X_test)
r2_score_enet = r2_score(y_test, y_pred_enet)
print(enet)
print("r^2 on test data : %f" % r2_score_enet)
plt.plot(enet.coef_, color='lightgreen', linewidth=2,
     label='Elastic net coefficients')
plt.plot(lasso.coef_, color='gold', linewidth=2,
     label='Lasso coefficients')
plt.plot(coef, '--', color='navy', label='original coefficients')
plt.legend(loc='best')
plt.title("Lasso R^2: %f, Elastic Net R^2: %f"
     % (r2_score_lasso, r2_score_enet))
plt.show()