通俗解释
在“误差尽量小”之外再要求“权重尽量小”。L2 惩罚（Ridge）让权重整体变小，L1 惩罚（Lasso）会把不重要特征的权重压到 0，相当于自动做特征选择。惩罚强度是要调的超参数，这也是理解“正则化”最直观的入口。
用在哪里：高维数据的特征选择、稀疏回归、基因表达分析
01原始论文
Regression Shrinkage and Selection Via the Lasso
Robert Tibshirani · Journal of the Royal Statistical Society Series B · 1996
DOI ↗ ✓ 已核实 · Crossref API doi:10.1111/j.2517-6161.1996.tb02080.x
02知识位置
左边先学；右边是学完它之后可以学的。
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-22。
- JSON: /api/learn/algorithms.json (id:
lasso)