本博客仅用于个人学习，不用于传播教学，主要是记自己能够看得懂的笔记（

学习知识、资源和数据来自：机器学习算法基础-覃秉丰_哔哩哔哩_bilibili

数据参见博客：机器学习笔记（七）——岭回归（sklearn） - Lcy的瞎bb - 博客园 (cnblogs.com)

LASSO与岭回归不同的是，LASSO的正则化所加的一项不是平方和，而是绝对值和，所以在标准方程公式后面加上的是。

因此，有两种正则化的方式：

具体的区别可见上面的B站视频。提一嘴，只有两个特征时，LASSO的限制区域是个正方形（|x|+|y|<=t），岭回归限制区域是个圆（x^2+y^2<=t），所以LASSO更容易取到0。

简单的Python代码如下：

import numpy as np
from sklearn import linear_model

data=np.genfromtxt('C:/Users/Lenovo/Desktop/学习/机器学习资料/线性回归以及非线性回归/longley.csv',delimiter=',')
x_data=data[1:,2:]
y_data=data[1:,1]

model=linear_model.LassoCV() #直接调用Lasso的交叉验证算法。它可以自己生成100个alpha进行测试
model.fit(x_data,y_data)

print(model.alpha_)
print(model.coef_) #w向量

print(model.predict(x_data[2,np.newaxis]))
print(y_data[2]) #预测值与真实值比较

得到结果：

14.134043936116361
[0.10093575 0.00586331 0.00599214 0. 0. 0. ]
[88.28839098]
88.2