lasso回归（针对二分类结局变量的变量筛选）

二、 Lasso回归
定义
Lasso回归是一种基于 线性回归 的方法，它可以用于选择与 目标变量最相关的特征 。它通过惩罚 L1范数来压缩某些系数的值，从而减少模型中不必要的特征。
方法
1) 建立模型：使用 线性回归模型 建立初始模型。
2) 惩罚 L1范数：在模型中加入 L1范数 惩罚项，对某些 系数 进行 压缩 。
3) 调整惩罚强度： 控制哪些特征被压缩，调整后模型 会 选择与目标变量最相关的特征。
4) 交叉验证：使用 交叉验证 来选择最佳的惩罚强度。
优点
1) 可以用于特征选择，去除不必要的特征，从而 降低过拟合 的风险。
2) 适用于 高维数据集 。
缺点
1) 特 征 相关性高时，难以确定哪些特征应该被保留。
2) L1范数惩罚项不稳定，可能会将 不相关的特征 误判为相关特征。