Lasso（Least Absolute Shrinkage and Selection Operator）是一種統計學習方法，由Robert Tibshirani於1996年首次提出。Lasso的核心思想是線上性回歸模型的損失函式後面添加L1範數的正則化項，即懲罰項。
Lasso的目標是最小化以下函式：
\[min_{\beta} \frac{1}{2}\left\|\mathbf{y}-\sum_{i=1}^{n} \mathbf{x}_{i} \beta_{i}\right\|_{2}^{2}+\lambda\|\beta\|_{1}\]
其中，\(\beta\)是模型的參數向量，\(\lambda\)是正則化參數，\(\|\cdot\|_{1}\)表示L1範數，即向量中元素的絕對值之和。
Lasso的主要優點包括：
子集選擇：Lasso可以強制一些回歸係數為0，從而實現子集選擇，提高模型的可解釋性。
特徵選擇：Lasso通過L1範數的懲罰，可以有效地選擇重要的特徵，避免過擬合。
多重共線性處理：Lasso能夠處理具有多重共線性的數據，儘管它的設計初衷並非專門針對多重共線性。
Lasso在Scikit-learn庫中可以通過`Lasso`類進行調用，該類支持多種參數設定和最佳化方法。