对一个有着12列的数据集编写自适应lasso的详细代码，前11列作为特征，最后一列作为目标，输出最优lambda值，可视化特征系数，并画出lambda和rmse的关系曲线图

下面是对一个有着12列的数据集编写自适应lasso的详细代码，前11列作为特征，最后一列作为目标，输出最优lambda值，可视化特征系数，并画出lambda和rmse的关系曲线图： ```python import numpy as np import pandas as pd from sklearn.linear_model import LassoCV import matplotlib.pyplot as plt # 读取数据 data = pd.read_csv('data.csv') X = data.iloc[:, :-1].values y = data.iloc[:, -1].values # 自适应Lasso模型 alphas, coefs, mse = LassoCV(cv=10, random_state=0, max_iter=10000).path(X, y, eps=0.001) # 输出最优lambda值 alpha_opt = alphas[np.argmin(np.mean(mse, axis=1))] print("Optimal lambda:", alpha_opt) # 特征筛选后的系数可视化 plt.figure(figsize=(10, 6)) for i in range(coefs.shape[0]): plt.plot(alphas, coefs[i], label='Feature {}'.format(i+1)) plt.xscale('log') plt.xlabel('Log(alpha)') plt.ylabel('Coefficients') plt.title('Lasso Paths') plt.legend(loc='best') plt.show() # lambda与RMSE关系曲线图 mse_mean = np.mean(mse, axis=1) plt.figure(figsize=(10, 6)) plt.plot(alphas, mse_mean, label='Mean Squared Error') plt.axvline(x=alpha_opt, linestyle='--', color='r', label='Optimal Lambda') plt.xscale('log') plt.xlabel('Log(alpha)') plt.ylabel('Mean Squared Error') plt.title('Lambda vs RMSE') plt.legend(loc='best') plt.show() ``` 其中，`data.csv`是包含12列数据的CSV文件，前11列为特征，最后一列为目标。代码中使用`pd.read_csv`函数读取数据，并将前11列作为特征矩阵`X`，最后一列作为目标向量`y`。 然后，使用`LassoCV