到底什么是LASSO，请看下面的推文
松哥聊聊落地层面的事情。
我们在建模时，可能存在两类问题：一是自变量太多，我们的样本量无法驾驭。二是，我们的自变量存在着很多相关性指标；
我们一般建模的常规建模策略“先单后多”，确实是一种行之有效的模型筛选方法，虽然目前也有一些诟病，但是目前预测模型类文章还是主流运用的方法。其对样本量不足有一定的抗性，毕竟经过单因素的筛选，多因素时，自变量数已经得到一定的缩减，此时，从样本量的角度，模型应该已经能够驾驭。
如果此时，多因素分析时，已经能够满足，10EPV的原则，那么样本量的问题基本就可以解决了。
但是当我们面临大量的自变量，比如基因数据，动则几百上千个自变量X，如果按照先单后多的策略，首先工作量巨大，另即使筛选后的自变量，也就是多因素PK的自变量，很可能样本量还是不能驾驭的。
那么此时，就体现出Lasso的优势了。
我们建模时，Lasso有两个用途，一是帮助我们进行单因素筛选，也就是利用Lasso帮助我们筛选变量，筛选出来后，继续用传统方法进行多因素PK；另一个就是，直接利用Lasso筛选后的模型作为最终的模型，进行后续的模型验证。
如下松哥演示了38个自变量，Lassologit的过程。下图可见模型遍历的过程，在不同惩罚系数Lambda的情况下，展现了各自变量进入模型的动态过程。
并且推荐了最小EBIC时的Lambda，下图红色框中，有*标记，也就是在这个模型有最小的EBIC。
也可以通过路径图，展现变量压缩的过程
那么，如果我就按照这个最小的EBIC去选择Lambda，然后去构建模型，那个模型是什么样子的呢？
如果您采用Stata的话，只要输入命令
lassologit，lic（ebic）
就可以得到最优的模型。
上图左边就是最优模型。在38个自变量中选择出来的12个自变量，中间红色框，就是Lassologit构建模型的系数。
然而，故事到此并未结束，为了验证lassologit结果的稳健性，往往我们还要进行交叉验证，也就是cvlassologit
上图就是交叉验证时，得到的交叉验证图，该图中红色是最小误差时ln(Lambda)所在的位置或取值，虚线为1se（1个标准误）的位置，通常我们发文章时，取的位置往往是1se，而不是lopt。
注意，lassologit也可以直接预测概率P，获得概率P值后，就可以进行后续的区分度、校准度和临床适用度的评价了。
也可以根据lassologit筛选出来的变量，再构建常规的logistic模型，然后预测概率P。甚至可以两种方法都做，然后对后续的两个P的临床表现进行评价。
联系客服
