R语言实战：Lasso回归实现及结果解读

> 之前的推送中介绍了Lasso回归分析的重要性[Lasso回归在医学研究中的应用](https://mp.weixin.qq.com/s/G2VX6a2BKBxU0Y37sys7Uw)，但如何实现呢？结果如何分析？ # 数据预处理 ## 1. 数据清洗与标准化 为建模奠定基础，数据质量是顺利分析的前提条件。 - 变量整理：明确因变量和自变量，对分类变量进行哑变量编码。 - 缺失值处理：连续变量可用均值、中位数插补，分类变量用众数插补；缺失率过高（如>20%）的变量直接剔除。 - 标准化：由于Lasso对变量量纲敏感，需将自变量标准化（如Z-score标准化），使各变量处于同一数量级。 - 数据拆分：将数据分为训练集与测试集。 # R语言可视化 ## 1. 数据和变量处理 以Lasso-cox回归分析为例： ``` #加载包 library(glmnet) #lasso回归专用 library(dplyr) #批量标准化 library(survival)#COX回归生存分析 #将所有数值变量标准化，并生成新的一列，以_scaled结尾 df_with_new_cols <- data %>% mutate(across(where(is.numeric), ~ scale(.), .names = "{.col}_scaled")) #批量提取变量名，方便后面复制使用 cat(paste0('"', colnames(df_with_new_cols), '"', collapse = ",")) #挑选要研究的分类变量 categorical_vars <- c("sex", "smoke", "drink", "HTN", "DM", "CAD", "Cholelithiasis", "Nephrolithiasis", "HUA") #分类变量转为因子 for (var in categorical_vars) { df_with_new_cols[[var]] <- as.factor(df_with_new_cols[[var]]) #所有的自变量 predictor_names <- c("sex", "smoke", "drink", "HTN", "DM", "CAD", "Cholelithiasis", "Nephrolithiasis", "HUA","WC_scaled","Height_scaled","Weight_scaled","WHtR_scaled", "BMI_scaled","SBP_scaled","DBP_scaled","ALT_scaled") #构建生存时间数据的特殊对象y y <- Surv(df_with_new_cols$time, df_with_new_cols$Diagnoise) x <- model.matrix(~ ., data = df_with_new_cols[, predictor_names])[, -1] ``` ## 2. 绘制交叉验证曲线 交叉验证（CV）曲线核心是以惩罚系数 λ 的对数为横轴，以交叉验证的均方误差（MSE）/ 偏差为纵轴，展示不同 λ 下模型的预测性能，同时标注最优 λ（最小误差对应的 λ）和1-SEλ（最小误差 + 1 个标准误对应的 λ，更简约的模型），是选择 LASSO 惩罚强度的核心图。一般采用10折交叉验证遍历一系列 λ 值。 ``` set.seed(123) cv_fit <- cv.glmnet(x, y, family = "cox", alpha = 1, nfolds = 10) plot(cv_fit) ```  ## 3. 绘制系数路径图 系数路径图展示不同惩罚强度（λ）下，所有自变量的回归系数如何被逐步压缩至 0，从而直观呈现变量筛选的全过程。 ``` fit_full <- glmnet(x, y, family = "cox", alpha = 1) plot(fit_full, xvar = "lambda", label = TRUE) abline(v = log(optimal_lambda), col = "red", lty = 2) abline(v = log(simplified_lambda), col = "blue", lty = 2) legend(x = -6, y = 0.5, # 调整到合适位置 legend = c("lambda.min", "lambda.1se"), col = c("red", "blue"), #整体缩小 cex = 0.8, # 进一步减小文字大小 seg.len = 1.0, # 进一步减小文字大小 text.width = 1.0,lty = 2,# 控制文本显示宽度 # 调整间距 x.intersp = 0.3, # 水平间距（文本和线条间） y.intersp = 0.5, # 垂直间距（条目间） # 边框控制 bty = "n", # 去掉边框（或 "o" 保留但调整box.lwd等） box.lwd = 0.5) ```  ### 两个重要的图形绘制完毕，但问题还没解决： - λ是多少？ - 其中哪些变量留下来了？ - 他们的系数分别是多少？ ## 4. 查看λ和具体变量 ``` # lambda.min：追求最佳预测精度 optimal_lambda <- cv_fit$lambda.min # lambda.1se：追求更简洁的模型（变量更少） simplified_lambda <- cv_fit$lambda.1se cat("lambda.min:", optimal_lambda, "\n") cat("lambda.1se:", simplified_lambda, "\n") ```  ``` # 使用lambda.min coef_min <- coef(cv_fit, s = "lambda.min") # 使用lambda.1se coef_1se <- coef(cv_fit, s = "lambda.1se") # 获取lambda.min下选中的变量名 selected_vars_min <- rownames(coef_min)[as.vector(coef_min != 0)] # 获取lambda.1se下选中的变量名（通常更少） selected_vars_1se <- rownames(coef_min)[as.vector(coef_1se != 0)] cat("\n使用 lambda.min 选中的变量：\n") print(selected_vars_min) cat("\n使用 lambda.1se 选中的变量（更简模型）：\n") print(selected_vars_1se) #还可以查看具体系数 print(coef_min) print(coef_1se) ```   # 结果解读 ## 1. 回归系数路径图解读  - 共纳入了27个变量，便有27条不同颜色的线。每条线上都有变量编号。即每一条曲线代表了每一个自变量系数的变化轨迹，纵坐标是系数的值，下横坐标是log(λ)，上横坐标是此时模型中非零系数的个数。 - 可以看到，随着参数log λ增大，回归系数（即纵坐标值）不断收敛，最终收敛成0。 - 图例显示的红色虚线为λ min，意思是偏差最小时的λ ，代表在该lambda取值下，模型拟合效果最高。变量数是22，相比λ-se，保留下来的变量更多。 - 蓝色虚线为λ-se，意思是最小λ右侧的1个标准误。在该λ取值下，构建模型的拟合效果也很好，同时纳入方程的个数更少（4个），模型更简单。**因此，临床上一般会选择右侧的λ1-se作为最终方程筛选标准。** ## 2. 最优$\lambda$值确定 $\lambda$的选择直接影响模型效果，常用K折交叉验证：将训练集分成K份，轮流用K-1份建模、1份验证，计算不同$\lambda$对应的预测误差，选择误差最小的$\lambda$（记为$\lambda_{\text{min}}$），或选择误差在$\lambda_{\text{min}}$1个标准差内且系数数量最少的$\lambda$（记为$\lambda_{1se}$），平衡模型复杂度与效果。  - 曲线从左到右逐渐上升：λ 越小，惩罚越弱，模型越复杂，过拟合风险高；λ 越大，惩罚越强，变量被逐步压缩为 0，模型越简约，误差先降后升。 - λ_min：模型预测性能最优，变量数相对多； - λ_1se：模型误差仅比最小误差高1个标准误，变量数更少，临床科研中模型易解释、泛化能力更强。 ## 3. 从系数到临床意义 Lasso回归的结果解读核心是“系数分析”与“变量优先级判断”，结合医学场景转化为临床结论。 - 系数非零变量：这些是对因变量有显著影响的关键变量，系数绝对值越大，影响程度越强。 - 系数符号：正系数表示该变量与因变量呈正相关；负系数表示负相关。 - 系数为零变量：这些变量对因变量的影响极小或可被其他变量替代，可从模型中剔除。 >Lasso回归作用在于筛选自变量，最终，某一个自变量对结局的影响如何？需要采用Cox回归或者Logistics回归或者线性回归来进一步分析。 本文由[mdnice](https://mdnice.com/?platform=6)多平台发布